合理的对拖轮和引航员进行调度可以减少拖轮前后两次作业的无效作业时间，减少到港船舶的等待时间，提高资源的利用率和生产效率，提升服务质量。目前国内的多数港口制定引航调度方案的方法主要是依据调度员的历史经验，缺少理论依据。因此，根据复杂多变的港口实际情况设计出合理的调度方案，是当前港口需要解决的重要问题之一。
　　引航调度问题的实质是待服务船舶与港口内拖轮和引航员的组合优化问题，属于NP-hard问题。实际任务的引航调度问题需要考虑的因素很多，主要有船舶的种类、危险性、拖轮的马力、适配情况、引航员的技能、工资水平等，以及优化目标（运营成本、工资成本、武功时间等）。智能优化算法可以求解该类问题，其中粒子群算法具有搜索最优解速度快、存储并且分享个体与群体的历史经验与参数设置简单等优点，遗传算法具有隐藏并行性、良好的全局寻优能力和使用简单等优点，本文将两种算法进行改进分别应用在拖轮和引航员的调度中。主要工作如下：
　　(1)分析了拖轮调度问题，建立了符合存在多拖轮基地的拖轮调度情况的数学模型。
　　(2)粒子群算法进行改进，提出了一种基于差分进化与粒子群算法的拖轮调度算法，将粒子群算法迭代过程中的惯性因子设置为非线性、引入扰动项和自适应学习因子，提高了算法的收敛速度和寻优效果。
　　(3)分析了引航员调度问题，引入学习效应曲线，建立了符合实际情况的数学模型。
　　(4)针对引航员调度的特点对遗传算法进行改进，给出了一种实数编码方式和选择算子，更快速准确地对问题进行求解。
　　对上述设计的算法与模型进行实例验证，并对结果进行比较分析。实验证明，设计的基于差法进化的粒子群算法，收敛速度变快，并且能够得到的更符合实际问题的最优解，为拖轮的调度提供可理论依据；设计的遗传算法能够快速得到最优人员调度方案，算法性能满足中等规模企业决策需求。