加工时间不确定性广泛存在于制造系统,也是影响调度性能和生产效率的关键因素之一。在冶炼、机械加工、食品加工等行业,学习效应和恶化效应是两种重要的主观不确定性因素,缩短或增长任务加工时间,降低调度结果的鲁棒性。通常大部分具有学习与恶化效应的单机调度是P问题,可证明其多项式时间可解性;由于具有学习与恶化效应的部分单机和绝大部分多机调度为NP难问题,任务位置或者累积加工时间产生动态变化的任务加工时间,导致传统的精确算法、启发式或元启发式调度算法不能有效求解。考虑几种典型方法学习与恶化效应的任务调度问题,研究其加工时间规律,提出适合的调度算法,论文的主要创新点如下:(1)带有学习和恶化效应的单机任务调度:分析现有的任务变化函数,构造出符合实际应用场景具有学习效应的任务变化函数和具有学习和恶化效应的抽象任务变化函数;交换同一序列中两个相邻任务顺序得到两个不同任务序列,构造出两个序列的目标函数表达式,分析并推导相应的变化函数性质,证明了目标函数分别为最小化最大完工时间、最小化完工时间和及最小化完工平方和的单机任务调度问题多项式时间可解;证明了目标函数分别为最小化加权完工时间和、最小化最大延迟时间、最小化最大滞后时间、最小化滞后时间和的单机任务调度问题在一定条件下多项式时间可解。(2)最小化最大完工时间带有恶化效应的单机成组任务调度优化:分析具有恶化效应的单机成组任务调度的特性,基于时间序列分析方法构造了基于开工时间的恶化效应函数;考虑加工过程中任务可中断条件,通过增加维护时间以减少恶化时间,推导了具有恶化效应的目标函数最优解性质,提出两种启发式求解算法。实验表明两种算法求解小规模实例效果较好,但对于大规模问题性能较差。分析并推导最小化最大完工时间的目标最优解性质,构建快速计算算子,提出快速迭代局部搜索算法:分别基于两个启发式算法和一个随机算法产生初始解,提出基于插入邻域结构的局部搜索方法,当集中性达到一定程度时对选择出的候选解进行扰动,是否接受扰动产生的新解由接受准则确定;算法满足停止条件时停止,返回最优解。采用方差分析方法分别测定恶化因子、扰动算子等最优算法参数和算法组件,通过标准实例集验证所提出算法的性能。(3)带有学习效应的流水任务调度优化:分析具有学习效应流水任务调度的特征,构造更符合实际情况的学习效应随任务变化的函数,采用交换邻域算子生成新序列,推导生成序列的目标函数表达式,分析函数性质。提出两种特殊流水任务调度问题不同优化目标的算法。理论上证明了以最小化最大完工时间、最小化完工时间和、最小化完工平方和等为优化目标的特殊流水调度问题多项式时间可解;而以最小化加权完工时间和、最小化最大延迟时间、最小化最大滞后时间、最小化滞后时间和等为优化目标的特殊流水调度问题在一定条件下多项式时间可解。