目前在解决生产计划问题时常常使用递阶优化算法进行求解，然而这些算法都存在着明显的不足，如生成的生产计划不能保证得到一个可行的调度解。因此本文针对几种情形提出了新的求解方法以避免上述算法的不足之处。首先针对递阶生产计划分解问题进行了研究，给出了求解该问题的两种算法，并通过大量算例对这两种算法的性能进行了评估。然后针对递阶生产计划分解方法的不足，重点研究了几类车间生产计划和调度的集成优化问题。并在与相应递阶分解方法比较的基础上，通过大量算例验证了本文提出的集成优化方法的有效性。 1.研究了一类典型jobshop车间的递阶生产计划分解问题，建立了五种生产计划分解模型，以满足不同生产目标的需要。由于上述模型为非线性规划模型，文中给出了线性化过程，将上述模型转化为线性规划模型，并利用常规的线性规划算法(文中利用卡马卡算法)进行了求解。但是当问题规模很火时，上述模型已不能使用常规的线性规划算法进行求解了，因此文中提出一种基于卡马卡算法的关联预测法米求解大规模问题。算例研究表明对于目标函数极大化问题，关联预测法平均比卡马卡算法快4.62倍，但是得到的最优目标值平均比卡马卡算法小0.06％。 2.针对一类零件加工有准备时间且为成批生产的jobshop车间，建立了生产计划与调度的整体优化模型，并提出了一种混合遗传算法(HGA)对其进行求解。文中分析了批量开工时间与批量和在制品存储量之间的关系，证明了批量开工时间的计算公式，该公式的计算复杂度与批量大小无关，因此极大地简化了模型的复杂程度。递阶生产计划模型中一般只给出设备的粗能力负荷，无法保证得到一个可行的调度解，因此本文建立了详细的调度约束，在此基础上进而给出设备的准确负荷，从而可以保证调度解的可行性。由于问题解的结构十分复杂，本文扩展了普通遗传算法染色体的表达方式，提出一种分段编码策略并对交叉和变异算子进行了相应修改，算法中引入了启发式调度规则来改善初始群体，可以有效地提高算法的计算效率。文中还提出了一种递阶生产计划和调度方法(HPPSA)对该问题进行求解，计算实验表明对于目标函数极小化问题，HGA获得的最优目标值平均比HPPSA小13.69％，但是HGA的计算时间平均比HPPSA多1.48倍。 3.研究了一类并行生产线上生产调度和批量分割的同时优化问题。给出了产品在生产线上连续加工时产品批量的完工时间计算公式，并证明了该公式的正确性。考虑相邻批次在生产线上加工会产生重叠，给出了产品批量开工时间的一个下界。然后证明了批量连续发交时保证缓冲区总是可用的充分条件，并在此基础上提出了一个求解批量开工时间的迭代算法，其特点是计算复杂度与批量火小无关。最后通过建立的批次发交模型和提出的批量分割启发算法，构造了一种基于遗传进化的启发式方法以求解该类问题。计算实验表明，该方法通过批量分割可以有效地平衡生产线上的负荷。 4.研究了一类多级制造系统中生产计划和调度的集成优化问题。对第一级车间，提出了零部件批量的完工时间计算公式，并证明了各设备上零部件加工应满足的加工顺序约束。对第二级车间，证明了当产品批量大于缓冲区容量时，产品批次连续生产的充要条件，然后利用提出的批量动态分割合并算法，对第二级车间的产品批量进行动态分割。文中将该算法与遗传算法相结合，提出了一种基于遗传进化的启发式算法(IGA)用于求解本文中的多级制造系统生产计划和调度集成优化问题。另外在IGA算法的基础上，按照递阶生产计划分解原理，提出了一种递阶分解算法(HPPGA)。计算结果表明对于目标函数极小化问题，HPPGA获得的最优目标值平均比IGA大13.58％。 最后将本文的研究成果应用于某汽车车身厂的汽车装配件制造执行系统中，开发了其中的生产计划与调度子系统。该子系统集成了文中的卡马卡算法与关联预测算法，通过计划自动编排使生产计划编制时间从原来的3人编2天缩短为40分钟，通过合理安排生产和优化资源(设备、工装、物料等)配置提高设备利用率10％，压缩在制品10％，提高了车间的现代化管理水平和员工的生产积极性。