车间调度是企业管理的核心,其主要任务是合理分配现有的人力和物力资源,以满足生产过程中经济上或性能上的目标。目前,调度问题大多被处理为单目标问题进行求解,而实际生产中该问题往往包含着多个相互冲突的目标,因此对多目标车间调度问题进行研究更具有现实意义。本文对车间调度问题进行了系统研究,并提出了多目标粒子群优化算法。其目的是从理论和实践中寻找解决生产调度问题的有效途径,为有关技术的进一步完善、发展和开发提供一定的理论基础和实践方法。本文的主要工作归纳如下:(1)将Baldwinian学习策略加入粒子群算法中,用以改进粒子群算法易陷入局部最优的缺点。该算法引入生物界中种群个体自我学习的机制,以提高粒子群算法的全局寻优能力和收敛性能,并将该算法用于求解多个测试函数问题,实验结果验证,该算法具有良好的寻优性能;(2)将改进的多目标粒子群算法应用于多目标流水车间调度问题以及多目标作业车间调度问题的求解。该算法加入Baldwinian学习策略,以提高算法的局部搜索能力,同时为了保证非支配解集的多样性,设置外部精英解集保存算法迭代过程中产生的非支配解并采用拥挤距离策略更新该解集。实验结果验证,本文提出的算法能获得较好的非支配解;(3)提出一种基于离散粒子群算法和模拟退火算法相混合的多目标粒子群算法,算法中加入模拟退火算法用以提高算法的局部搜索性能。将该算法用于多目标柔性作业车间三目标调度问题的求解,实验结果验证,该算法具有较好的多目标寻优性能;最后,对论文的研究工作进行了总结,提出了未来的展望。