内河港口集疏运过程中有大量货运车辆参与,如果不对这些车辆进行合理引导,极易产生拥堵,从而导致车辆行驶时间和港内能耗的增加、港口资源利用率的降低,影响港口吞吐量。如何为港区作业车辆安排合理的行驶路径,并提高港区路网利用效益成为亟待解决的问题。因此,研究内河港口中作业车辆的选路方法具有实际应用意义和一定的理论价值。鉴于以上问题,本文研究内容如下:(1)设计了一种基于交通流量短时预测的候选路径集搜索方法,用于得到符合内河港口中作业车辆特性的候选路径集。首先,该方法在K近邻(K-Nearest Neighbor,KNN)算法预测流程的基础上,将作业指令、港区工作状态等影响港内交通流量的因素定义为状态向量,对短时交通流量进行单时间步和多时间步预测。然后,构建了一种作业车辆最优路径搜索的改进型A*算法。该算法在路径搜索过程中,用多个指标评价路径优劣,依据交通流量计算路段阻抗,并考虑了车辆在关键节点处的等待时间及作业流程。最后,以最优路径为基础,使用K条最短路径(K Shortest Path,KSP)算法搜索作业车辆的候选路径集。(2)设计了一种基于博弈的作业车辆协同选路方法,以缓解港区内多作业车辆同时选路造成的路线冲突。首先,将同时请求路径规划的车辆的选路行为建模为不完全信息博弈,应用满足均衡的概念分析该博弈。建立基于博弈论的作业车辆协同选路模型,其中车辆的候选路径集为其参与博弈的策略空间。然后,使用基于博弈的作业车辆协同选路算法(Collaborative Route Selecting Algorithm,CoRS)求解该模型,并从理论上证明了算法的收敛性。算法的执行过程对应博弈的多个阶段。博弈的初始阶段各个车辆从候选路径集中选择效用最大的路径,之后的博弈阶段中,将车辆分组,所有组依次根据历史选路策略进行适应性学习。不断重复博弈,直至车辆选路达到均衡,且路网利用效益最大化。(3)对所提算法进行实验验证。对于基于交通流量短时预测的候选路径集搜索方法,首先确定了基于KNN的短时交通流量多时间步预测算法的近邻个数选取8为最优,然后验证了该预测算法的准确性;接着验证了最优路径搜索的改进型A*算法和最优路径集搜索的KSP算法在实际路网中应用的有效性,实验结果表明,上述算法可正确求解出符合作业车辆特性的结果。对于基于博弈的作业车辆协同选路方法,首先确定了本文的协同选路算法达到收敛状态所需的迭代次数;然后将该算法与Dijkstra和自适应学习算法进行对比,实验结果表明,本文算法与上述两个算法相比,在车辆数目较多的情况下,车辆平均行驶时间和路网能耗有所降低。综上所述,本文工作是对内河港口智能化建设的一个初步探讨,对改善内河港口中道路拥堵情况和提高路网利用效益,具有现实意义和一定的实用价值。