蚁群算法是受自然界中蚂蚁行为的启发而发展出来的一种新的启发式优化算法。蚁群算法的提出，为解决困难的系统优化问题提供了新的具有竞争力的求解算法。蚁群算法最初用于解决旅行商问题，近年来，它被广泛地应用于大规模的组合优化问题中(特别是离散优化问题)。 Job-Shop调度问题(简称JSP)是一类较TSP更为复杂的典型调度问题，是一个典型的NP-hard问题。因此其研究具有重要的理论意义和工程价值，它也是目前研究最广泛的一类典型调度问题。迄今，已经有研究人员提出了很多适用于调度问题的随机优化方法，如遗传算法和模拟退火算法等。由于蚁群算法具有正反馈、分布式计算、较强的鲁棒性和富于建设性的贪婪启发式搜索等特点，在解决复杂优化问题上有着一定的优越性。但是由于蚁群算法本身的原理和JSP之间的差异性，使得用基本的蚁群算法来解决JSP存在一些缺陷。本文提出了一种基于模拟退火的蚁群算法来求解JSP，通过模拟退火算法和蚁群算法相结合，能有效的改善解的质量，提高算法的收敛速度。通过对比实验表明，在解决JSP方面有较好的效果。此外，本文还提出了一种记忆机制的蚁群算法求解JSP，由于JSP存在一些技术约束，本文在蚁群算法的基础上引入了免疫算法中的记忆机制来解决JSP，一定程度上提高了搜索的性能。最后，本文介绍了一款离散事件仿真器Promodel方面的内容，并把此仿真软件运用到工作车间去解决带有批量生产的加工问题。