随着工业互联网的发展,工厂内网络呈现出融合、开放、灵活三大发展趋势。工厂内的车间级网络和现场级逐步融合,高实时控制信息和非实时数据可共网有效传输。以时间敏感网络为代表的新型网络技术打破了传统工业网络众多技术壁垒,促进工业全流程数据的实时传输。得益于种种技术,智能工厂控制平台得以与现场工业设备打通信息传递的桥梁。现存的手动排产优化方式已不能和信息获取的速度相匹配,需要进行智能化排产。然而,工厂生产情况复杂、生产节奏快,研究出一种贴近工厂实际的、能够快速收敛的排产优化算法仍是现今的研究热点。同时,在智能工厂迅速发展的同时,产能瓶颈逐渐成为了制约工厂发展的重要因素,如何在排产优化的同时,有效利用现场数据信息,平衡各项产能指标也是一个亟待解决的问题。为解决上述问题,本文通过对传统车间调度和多目标问题的研究,提出了一种基于产能平衡的智能工厂排产优化算法。具体研究内容如下:（1）本文针对智能工厂订单结构复杂多变、输入订单类型未知、收敛时间要求高的实际生产情况,提出一种智能工厂排产优化模型。首先基于传统的车间调度模型,建立了适合智能工厂实际情况的基础模型,并引入订单作业、产线槽的概念来动态切割、分配订单,通过改变产品最小分配单位,从而降低排产优化模型求解的时间复杂度。然后我们对改进模型,设计了相应外部惩罚函数来剔除不可行解,并设计了模型的求解流程,利用多种邻域搜索算法来实现模型的求解。实验结果表明,模型求解结果是有效的,模型在各种算法求解过程中表现稳定,而传统车间调度模型及其改进模型求解时间均长于本模型。（2）本文在改进的智能工厂排产优化模型的基础上,针对智能工厂决策人员经验不足、订单组成结构复杂、生产产线相对独立的情况,提出一种基于产能平衡的智能工厂排产优化算法。首先针对工厂情况建立了三项产能指标,并将这三项指标作为目标函数,为每个目标函数设计了一种动态归一化方式。然后基于灰色综合关联分析、单目标优化,设计了一种利用预排产分析各项产能指标联系的方法,从而为决策人员提供建议权重,平衡各项产能指标,实现基于产能平衡的智能工厂排产优化。最后验证了算法的有效性,并将算法结果与单目标优化结果、基于熵权法确定权重的多目标优化结果相比较。实验结果表明,在整体解集层面,该算法在大部分数据集下相较熵权法更靠近单目标最优解集;在个体最优解层面,该算法相较熵权法对大规模数据的产能指标平衡能力更强。