柔性调度是目前制造系统运作的核心问题,其目标是在满足制造系统约束的条件下,通过高效率的资源分配,获得生产的柔性和生产效率的最优化。在传统的调度问题中,资源是具有唯一性的,而在柔性调度问题中,资源不再具有唯一性,都可以分配给不同的工序。基于上述特征,不确定环境下柔性调度研究因为更加符合现实需求,受到广泛关注。针对柔性作业车间调度问题,本论文将重点运用元启发式算法进行求解。在前期的调查和实验中,我们发现PSO在解决柔性调度问题时相比其他经典算法更能找到最优解;同时针对两种不同思路的混合算法进行了实验,发现在大规模问题下分组算法有更大的概率求得较好的解,同时针对演化公式中需要人为规定的参数,采用参数自适应的策略更加能够提升寻找较好解的概率。受到两种思路的启发,同时有了实验作为基础,本文将粒子群算法作为本文算法的基础,进而结合了分组策略和参数自适应策略。首先是不同于以往的离散式编码,本文将柔性调度问题用实数进行了编码,从而巧妙的将离散的问题变化为了一个连续问题,降低了求解的复杂度。而分组策略则是将不同的变量随机放置到不同的分组中,单独的对每个分组进行评价和演化,这样对没有相互依赖性的变量进行了隔离,降低了他们之间的影响力,同时又突出了变量间原本就具有的依赖关系,这对于取得较好的解有一定的帮助。同时对于分组的大小,我们也采取了自适应的策略,即在给定一个分组大小的前提下,如果本次迭代找到了更好的最优解,即种群到达了一个更好的位置,则下次迭代中继续使用这个分组;而如果没有找到更好的最优解,则就在给定的集合中选取不同的分组大小进行下一轮迭代。同时针对演化公式的选择、参数的概率分布的选择等都不去人为的选择,而是使其在迭代的过程中,根据前几次世代使用的值以及是否有成功使个体找到更好的位置来对自己进行更新,这样就极大的避免了初始参数的选取所带来的影响,降低了实验的成本。通过大量的实验,本文验证了所提出的带有参数自适应的协同优化算法和原有的混合演化算法相比,在计算效率、优化能力和稳定性上,都有一定程度的提高,证明了算法是有效的。