1.一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法，其特征在于：具体步骤如下：

S1：种群初始化；具体包括种群规模、迭代次数、粒子位置和速度的上下界、惯性权重和学习因子；以6艘船舶为例，编码长度为船只总数n＝6：船舶号为：1、2、3、4、5、6；靠泊顺序Oj为：1、3、5、2、4、6；靠泊泊位xj为：2、1、1、2、3、4；岸桥数量yj为：3、5、2、4、1、2；

S2：计算最早靠泊时间tbj(ES)：对于船舶j，计算tbj(ES)公式如下：其中sijk表示船舶j在泊位i第k个靠泊则为1，否则为0，taj与表示船舶j的来港时间，tdj'表示在泊位i上船舶j′的离港时间；

S3：计算最晚靠泊时间tbj(LS)：对于船舶j，若存在与其在同一泊位靠泊且邻接在其后靠泊的船舶为j′，则令t＝tbj'(LS)，若不存在这样的船舶则令t＝tdj，计算tbj(LS)的公式如下：

其中twj表示船舶j的工作时间；

S4：插入缓冲区；

S5：粒子自适应变异；PSO算法全局搜索能力强，且有记忆性，在迭代前期寻优能力较强，但在迭代后期不可避免的掉入局部陷阱，难以跳出局部最优解找到全局最优解，针对PSO算法的特点和构建的泊位岸桥问题模型，设计如下自适应变异策略对传统PSO算法进行改进，令自适应变异概率P的更新公式如下：其中，tn为当前迭代次数，TN为总的迭代次数；对于粒子i，随机生成一个0到1间的随机数，如果该随机数大于此次迭代的变异概率，则对该粒子进行变异操作；

S6：计算样本的目标函数值；即船舶延迟离港时间，公式如下：S7：更新粒子的个体最优值与全局最优值；对于每个粒子，将此次迭代所求的适应度值与其最优适应度值pbest做比较，如果小于pbest则更新，否则pbest不变；再将pbest与全局最优值gbest作比较，若小于gbest，则令pbest替换gbest；

S8：更新粒子的速度和位置，对第i个粒子的速度更新公式为：vij(tn+1)＝wvij(tn)+c1r1j(pij‑xij(tn))+c2r2j(gj‑xij(tn)),j∈V位置更新公式为：xij(tn+1)＝xij(tn)+vij(tn+1),j∈V其中，vij(tn+1)表示第tn+1次迭代粒子i的第j维速度值，w为权重系数，c1和c2维学习因子，r1j与r2j为基于Logistic混沌序列的混沌变量，pij为粒子i的最优解的第j维位置值，gj为全局最优解的第j维位置值，xij(tn)表示第tn次迭代时粒子i的第j维位置值；对于更新速度和位置后的粒子，要对其进行边界处理，以让其编码满足约束；

S9：令tn＝tn+1，判断是否满足达到最大迭代次数TN的终止条件，是则终止迭代输出最优解，否则返回第S2步继续迭代。

2.根据权利要求1所述的一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法，其特征在于：所述S1中的Oj代表船舶的靠泊顺序，1到n之间整数随机排列；xj代表船舶的靠泊泊位；yj代表分配给船舶的岸桥数量，在船舶最少和最多需要的岸桥数之间随机生成，比如船舶1第一个靠泊在2号泊位，为其分配3个岸桥。

3.根据权利要求1所述的一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法，其特征在于：所述S4中插入缓冲区的具体步骤如下：S41：更新权重系数wj；权重系数代表船舶的服务优先权，对于船舶j，若存在使得所求tbj(ES)与tbj(LS)方案中有时间和空间有冲突的船舶j'，即{xj＝xj',tbj'(ES)＜tbj(ES)＜tbj'(LS)+twj'|j,j'∈V}，则wj设为1，否则设为0，其中集合V＝{1,2,…,n}；

S42：计算累计权重；计算两个关键参数αj、βj，分别是对某艘船舶j在同一泊位其先前靠港的船舶的累积权重αj和在其后靠港的船舶的累积权重βj；

在泊位岸桥方案中，不仅要考虑过渡的前任和后任船舶，还要考虑共享同一码头空间的其他船舶；因此，定义集合Fa(j)记录与船舶j在同一泊位靠泊且在其前靠泊的船舶，定义集合Fb(j)记录与船舶j在同一泊位靠泊且在其后靠泊的船舶，定义W作为所有船舶的总权重,则 计算αj和βj的公式如下：

S43：得到较鲁棒的泊位岸桥方案；最终得到的插入缓冲区后的船舶靠泊时间tbj由tbj(ES)、tbj(LS)、αj、βj求得：

4.根据权利要求1所述的一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法，其特征在于：所述S5中的变异策略设计有两种分别为交换和逆序，具体如下，交换：随机选择两列交换；逆序：从样本中随机选择两列,将包含所选两列及其之间的部分进行逆序排列。