论文主要研究了基于鲁棒优化(Robust Optimization)的集装箱码头泊位分配问题(Berth Allocation Problem简称BAP)。集装箱港口在国际物流和国民经济中具有很重要的战略性地位,泊位分配计划是港口作业的基础,对港口运营方和船公司来说,制定合理高效的泊位计划都是非常重要的。在计划人员制定泊位调度计划时,通常存在一些不确定因素,如船舶到达时间等,将会对泊位分配计划的可用性造成重大的影响。采用鲁棒优化的方法使得泊位计划对不确定因素具有较好的鲁棒性,有利于港口计划人员的工作,保证泊位计划以及其它计划的有序执行,从而提高集装箱码头作业的作业效率。鲁棒优化作为研究不确定优化问题的一种新方法,受到了众多学者的青睐。论文在对不确定优化问题分析的基础上,对鲁棒优化研究的代表人物Soyster,Ben-Tal和Bertsimas的研究成果进行了总结,阐述了鲁棒优化研究的核心问题,即如何将所建立的优化模型转化为鲁棒对应模型,使初始的不确定优化问题转化为计算易处理的确定性优化问题。在文献调研的基础上,论文在传统泊位分配模型的基础上建立了该模型的鲁棒对应式,并将其转化为鲁棒优化模型。该模型是一个混合整数规划问题,随着问题规模的增大,采用优化软件求解时非常耗时甚至可能求不出可行解。在对模型进行测试和验证后,本文针对模型特点设计了NPGA算法。NP(Nested Partiton)算法是近年来新提出的全局优化算法,易于实现,并具有以概率1收敛到全局最优解的特性。其算法框架包括分割(Partitioning),抽样(Sampling),选区(Selecting)和回溯(Backtracking)四个算子。在抽样和选区算子中,我们加入遗传算法(GA)进行局部搜索以提高算法效率。论文最后通过具体算例,给出了NPGA算法的求解结果,分析了得到的泊位计划的鲁棒性。实验结果说明,本文所建立的鲁棒泊位分配模型可以通过调节保护水平参数控制解的鲁棒性,具有很强的实际意义。