在自动化集装箱码头中,装卸集装箱船的岸桥效率成为制约集装箱船靠泊时间的关键因素,而岸桥的装卸作业效率与码头AGV（Automatic Guided Vehicle,自动导引车）的协调度密切相关。通过将岸桥与AGV作业的实时状态进行联合考虑,设计高效的联合调度计划,是自动化码头需要解决的现实问题。本文在认真参阅了国内外学者关于AGV任务分配、AGV路径优化、AGV与其他装卸设备联合调度的相关文献后,对现阶段岸桥与AGV的调度现状进行了分析。在梳理AGV在码头可能产生的冲突和常见的调度策略基础上,归纳提出了目前自动化码头调度存在的问题,列举了研究岸桥与AGV联合调度常用的应用模型。针对岸桥与AGV联合调度过程中的任务分配,提出了岸桥与AGV联合调度优化模型。在岸桥作业顺序已知的前提下,以岸桥平均作业时间和AGV平均空载行驶时间加权总和最小为目标,建立混合整数规划模型,提出一种实时调度算法。该算法通过建立集装箱的评价指标集,运用偏好函数对候选任务箱进行评价,通过对候选集装箱进行短期的前向仿真,观察采用当前调度策略作为前向仿真调度策略对目标函数的影响情况,生成两两配对的比较组,形成反映优先级的训练集。根据仿真所得的训练集,采用弹性BP神经网络算法更新反映集装箱优先级的调度策略。为了解决AGV在执行任务及前向仿真时的路径选择和冲突控制,提出了基于缓冲区车道选择的路径规划和基于路径时间窗的提前等待冲突控制算法。为检验模型与算法的效果,以上海洋山四期的码头前沿局部作为实证分析的场景,对实时调度算法的重要参数进行寻优分析,比较基于偏好函数的调度策略与常见的单一调度策略的区别,采用不同的调度难度对弹性BP神经网络算法和普通BP神经网络算法进行比较分析。结果表明,实时调度算法可以适应动态调度的时间需求,基于偏好函数的调度策略优于常见的单一调度策略,弹性BP神经网络算法对调度策略的学习时间较普通BP神经网络算法更短,对于作业难度更大的算例,弹性BP神经网络算法有着更好的表现,验证了实时调度算法的优越性。对智慧港口的建设提出了一种新的思考方向。