新冠肺炎的爆发,引发了人们对医疗健康问题的高度重视。有效的医疗调度对医疗事业的发展有重要的意义。论文在考虑体检者的准备时间和体检者在体检设备之间的切换时间的基础上,将医疗调度问题建模为柔性作业车间调度问题（Flexible job shop scheduling problem,FJSP）。针对医疗调度过程中的体检调度、门诊调度、手术调度问题,分别建立了混合整数线性规划（Mixed integer linear programming,MILP）模型,分析了问题的结构特性,探索了一种帝国竞争算法（Imperialist competitive algorithm,ICA）,并设计了高效的算法策略。主要贡献及成果如下:1.针对医疗调度中的体检调度问题,以最小化体检者最大完成时间为目标,建立了基于序列的MILP,设计了一种带有全局搜索策略的ICA。采用了二向量编码方案,生成可行编码解。设计了类似于模拟退火（Simulated annealing,SA）的局部搜索策略,提出了一种全局搜索策略,来提高算法的综合性能。2.针对医疗调度中的门诊调度问题,设计了结合ICA、SA和分布估计算法（Estimation of distribution algorithm,EDA）的混合优化算法框架,建立了基于位置的MILP;构建了具有突变概率的突变策略,增加了种群的多样性;采用了多元化同化策略,提高了算法的全局搜索能力。3.针对医疗调度中的手术调度问题,提出了一种改进的多目标ICA,来最小化手术最大完成时间和医疗成本。制定了社会等级制度战略来初始化帝国,提高了算法的搜索效率;将吸引和排斥力（Attraction and repulsion,AR）概念引入到同化策略中,增强了算法的全局搜索能力;使用了革命策略,增加了种群的多样性;嵌入了变邻域搜索（Variable neighborhood search,VNS）策略,提高了算法的局部搜索能力。4.针对医疗调度中的具有模糊手术时间手术重调度问题,提出了基于强化学习（Reinforcement learning,RL）的ICA。采用了包含六种突变操作的多元化革命策略,增强了算法的局部搜索能力;设计了一种新的帝国主义国家竞争策略,提高了算法的全局搜索能力。另外,采用RL算法进行参数自适应调整,提高了算法的健壮性。