智能制造是我国制造业发展转型的重要战略,涵盖产品设计、生产、服务等诸多环节。排产与调度系统是实现决策智能化的重要一环,是智能制造的“关键大脑”。资源受限项目调度问题（Resource-constrained Project Scheduling Problem,RCPSP）源自项目管理的实践,旨在满足资源约束和时序约束的情形下,合理地安排各任务的开始时间和资源计划,以达到某种优化目标,如最短工期、最低成本等。多技能资源受限项目调度问题（Multi-skill RCPSP,MS-RCPSP）是RCPSP在资源特性上的扩展问题,通过引入技能的概念,建立任务-资源间的技能匹配,适用于多技能人力资源和多用途设备的调度,如软件开发、移动生产线装配、多功能无人机田间作业管理等,具有更强的实用意义。当前MS-RCPSP的研究存在如下局限性:（1）优化目标以单目标为主,多目标较少;（2）多数研究的问题假设建立在确定性环境中,即问题参数在求解前已知且不会发生变化,不确定性环境下调度问题的研究较少;（3）已有的元启发式算法设计很少考虑MS-RCPSP的问题特性,仅停留在通用算子的应用层面。本文研究了MS-RCPSP及扩展问题,从单目标、多目标和不确定工时三个方面开展研究,并以元启发式算法进化策略（Evolution Strategy,ES）为基础进行求解,设计了考虑问题特性的变异算子和更高效的编解码方案。研究内容如下:针对以最短工期为优化目标的MS-RCPSP,提出进化策略算法（ES）进行求解。首先,采用资源列表编码个体以及基于左移和任务序列贪婪策略解码个体;然后,采用资源负载平衡的初始化策略来获得高质量的初始化种群;接着,基于MS-RCPSP理想调度方案的特性,提出基于关键资源的重分配操作算子来提高算法的搜索能力。在实验仿真中,ES与GA、DEGR和DOMVO算法进行对比,验证ES在求解单目标MS-RCPSP上的有效性和优越性。针对最短工期和最小成本的多目标MS-RCPSP,提出多目标进化策略算法（MOES）进行求解。首先,根据多目标优化要求和MS-RCPSP存在部分无紧后集任务的特性,设计局部任务列表+全资源列表的编码方案以及基于修复和贪婪策略的串行解码方案,新的编码策略在保持较大搜索空间的同时去除了潜在的质量较差的解,新的解码策略能够修复不满足紧前关系的任务列表并生成可行的调度方案;然后,采用帕累托存档保存在搜索过程中找到帕累托最优解;其次,选择算子采用快速非支配排序和拥挤度算子,从帕累托存档中选出有潜力的个体参与后续的迭代;最后,变异算子中使用交换算子搜索任务列表,重分配算子搜索资源列表。在实验仿真中,本文引入NTGA和MOFOA算法进行对比。考虑到多目标优化的评价多元化,本文从收敛性、均匀性等多个指标对获得的解集进行全面评价。实验结果证明MOES算法在求解双目标MS-RCPSP问题的有效性和优越性。针对随机工时的MS-RCPSP,提出基于场景的多目标进化策略算法（S-MOES）进行求解,引入递增的场景管理以节省评估函数的计算量。通过与确定性问题下的MOES在多种随机变量下的对比,验证S-MOES的有效性。最后,以某公司智慧仓储改造项目为例,验证了随机工时MS-RCPSP模型的可行性和S-MOES算法的有效性。