随着科学技术的发展，生产的规模越来越大，复杂性越来越高，且市场竞争也越来越激烈，这些变化对企业的管理和生产提出了更高的要求，生产调度是解决问题的关键，合理的调度不仅能够帮助企业提高设备利用率以及生产效率而且能够降低生产成本、能耗。经典的调度模型往往只考虑了产品的加工时间约束，是对实际加工过程的极大简化，为更好的模拟实际加工过程，本文在模型中考虑了实际加工中多方面的约束，针对不同问题模型分别设计了相应的算法并通过仿真实验对算法进行了验证。　　针对作业车间调度问题，本文不仅考虑了加工时间，还考虑了工件的运输时间、设备的调整时间以及产品的交货期窗口，并以最小提前/拖期惩罚为目标，形成了多时间约束作业车间调度问题。针对这类多时间约束调度问题，本文提出了混合萤火虫粒子群优化(hybrid glowworm particle swarm optimization，HGPSO)算法。种群初始化过程中采用了反向学习机制以提高初始解质量，算法引入了记忆池的概念，在每次迭代中利用记忆池中的精英解对当代种群搜索加以指导，以增加粒子与优秀群体间的交流，提高了收敛速度和跳出局部最优的能力，最后采用一种针对问题的变邻域搜索策略，提高了算法收敛精度。　　针对流水车间调度问题，本文考虑了中间缓冲区的限制且以最大完工时间最小化和生产能耗最小化为多目标，构成了带有有限缓冲区约束的多目标流水车间调度问题。针对此类问题，设计了一种基于Pareto最优的广义多目标萤火虫优化（general multi-objectiveglowworm swarm optimization，GMOGSO）算法。GMOGSO算法通过引入交换子和交换序的概念将基本萤火虫算法离散化，为平衡收敛速度和收敛精度提出了全局搜索过程和局部搜索过程，进化初期采用全局搜索策略将种群推向较优区域，进化中后期改进的捕食搜索策略使算法主体在全局搜索和局部搜索间动态切换，从而保证了全局与局部的平衡，采用的动态变步长策略进一步增强了算法搜索能力。　　针对具有相同加工顺序的加工过程，考虑了设备间存储空间和产品存储时间的限制，以最小化最大完工时间为目标，形成了存储时间和空间有限的流水车间调度问题。针对此类问题，将粒子群算法与萤火虫算法的更新模式相结合，提出了一种离散萤火虫优化(discrete glowworm swarm optimization，DGSO)算法。采用工件对交换和反向学习相结合的方法产生初始种群，通过重新定义移动方式将萤火虫算法离散化，为降低种群陷入局部最优概率引入群体拥挤度控制，变步长和动态变邻域搜索策略的使用增大了收敛精度。　　对不同规模不同类型的算例进行仿真，与未采用改进策略的算法的测试结果进行对比分析，表明了改进策略的有效性;与其他文献的算法测试结果进行对比，显示了本文所提出的算法的优越性。