生产调度是现代集成制造系统(CIMS)环境下生产的核心内容，因此无论是生产调度理论的研究，还是应用系统的开发都受到了学术界和企业界的关注。生产调度问题通常是多约束、多目标、随机不确定优化问题，已被证明属于NP-hard问题。所以实际的调度问题往往难以找到精确最优解，因而人们只能设法寻求某种程度的近似最优解。由于传统的优化方法不能够很好的求解规模较大较复杂的调度问题，因此，近年来各种不同的人工智能方法逐渐被引入到调度领域中，取得了很大进展。本文对这一领域的若干问题进行了较为深入的研究，得到了一些成果，具体工作如下： (1)深入研究了粒子群优化算法(ParticleSwarmOptimization，PSO)，由于经典的PSO算法是针对连续空间优化问题提出的，对生产调度问题并不适用，因此本论文借鉴了PSO算法的思想，结合遗传算法中的操作算子对PSO算子和参数重新定义，提出了适合求解调度问题的SPSO算法(ParticleSwarmOptimizationforSchedulingProblems，SPSO)。针对遗传算法在解决生产调度问题时存在早熟收敛的缺陷，采用了一种新型进化算法——DNA进化算法来解决调度问题。DNA进化算法的提出也是针对连续空间优化问题的，因此并不适合生产调度问题。针对DNA算法的特点及生产调度的模型，提出了一种可以用于求解调度问题的SDNA进化算法。 (2)针对流水车间调度问题，采用了SPSO算法进行求解，并针对算法容易早熟收敛进行了一系列有效的改进。针对算法对初始种群的依赖，提出了一种启发式规则来产生初始种群，再结合SPSO算法进行求解，此改进算法为HSPSO算法；考虑到SPSO算法进化到一定阶段后会停滞不前，引入了灾变算子来改善这一现象，提出了改进算法HSPSO算法；针对SPOS算法容易进入平衡状态，借鉴了耗散结构来改善算法易出现趋同性现象，打破平衡状态，提出一种改进算法DSPSO算法；最后集合了上述改进算法，提出了混合改进算法HCDSPSO算法来进行求解。对大量标准问题进行了仿真，并比较了各种算法的优劣，分析了各种算法的性能特点，仿真结果表明各种改进方法均有一定的改进效果，其中HCDSPSO算法的性能最优。针对DNA进化算法的特点进行了改进，采用了上述的启发式算法来产生初始种群，在分裂算子中添加一个交换操作，目的是为了能够扩大解的搜索空间，更容易跳出局部最优解；并采用黄金分割率来控制变异个体的数目，上述的改进方法称之为ISDNA进化算法。大量仿真结果验证，ISDNA进化算法能够有效克服算法容易早熟现象，提高了算法的搜索性能。 (3)针对车间作业调度这个经典的NP-hard问题，本文采用了SPSO算法和SDNA进化算法进行求解，并对算法做了改进，提出了基于耗散的DSPSO算法、基于多变异操作的MSPSO、混合DMSPSO算法和ISDNA进化算法，通过大量标准测试问题的仿真结果验证了所提出改进的调度算法的有效性。 (4)研究了零等待约束与机器无空闲约束的FlowShop调度问题，针对两种的Flowshop调度问题，给出了相应的调度模型。为了对上述种调度问题进行深入的研究，采用HCDSPSO算法及ISDNA进化算法进行求解，针对不同调度模型，进行大量仿真，结果表明了调度模型和算法的有效性。 (5)针对实际生产过程中存在的工件处理时间的不确定性，采用模糊数学描述这种不确定性；分析了处理时间为模糊数的不同约束下的Flowshop调度问题的特点，在模糊排序的基础上对上述调度问题建立了数学模型，并采用改进的PSO算法求解，通过仿真验证了模型和算法的有效性。 (6)实际间歇生产过程中，中间储罐的设置可以大大改善过程的柔性和调度系统的品质。针对中间储罐的复杂性，研究了中间储罐对多产品调度的作用，提出了一种含有存储时间无限、存储时间有限及存储时间为零(即零等待)三种情况的混合中间储罐的多产品间歇调度模型，并将HCDSPSO算法和ISDNA进化算法求解这一调度问题，仿真结果验证了所建的调度模型和提出的调度算法的有效性。