论文将差异工件的批调度问题扩展到了模糊生产环境，考虑了工件加工时间和批之间间隔时间这两个不确定因素，从而使得论文所给出的生产调度模型更加贴近实际生产活动。　　 本文主要探讨了如何使用微粒群算法求解批调度问题，特别是模糊环境下的差异工件平行机批调度问题(Parallel Batch-processing Machine with Non-identical Job Sizes，NPBM)。本论文的主要工作如下： 　　 (1)总结了批调度问题的分类以及各类问题的研究进展、批调度问题的主要特点和主要研究方法，以及研究中常用的一些性能指标。在建立了传统的平行机批调度问题模型的基础上，利用三角模糊数来表征工件的加工时间和批之间的间隔时间，提出了模糊环境下平行机批调度问题的数学模型。　　 (2)在总结归纳了微粒群算法的基本原理以及标准微粒群算法的基础上，重点描述了动态调整微粒群算法(Dynamic Adjusting Modified Particle Swarm Optimization，DAMPSO)的思想，该算法可使得每个微粒的极限位置在其所经历的最好位置与整体最好位置所形成的动态圆中分布，能以较大概率跳出局部最优点，弥补标准微粒群算法容易陷入局部最优的不足。为了增强动态调整微粒群算法的局部搜索能力，达到全局搜索和局部搜索能力的平衡，论文引入了二次插值算法，与动态调整微粒群算法进行结合形成混合算法。同时为了验证与二次插值算法结合的效用，对DAMPSO算法进行了另一种改进，其主要思路是通过加入遗传变异操作来进一步防止陷入局部最优，从而进一步提高DAMPSO算法的全局搜索能力。 　　 (3)将DAMPSO算法和两种改进的DAMPSO算法应用于模糊环境下平行机批调度问题，提出了基于工件优先值的编码方式，即通过优先值确定工件序列，并引入Batch First Fit算法进行分批操作计算适应度值。通过与首先适应算法、最佳适应算法、遗传算法和标准微粒群算法的实验比较，结果表明，两种改进的DAMPSO算法和DAMPSO算法在求解差异工件平行机批调度问题上优于其他四种传统算法，且随着问题规模的增大，这种优势更加明显。在相同的实验环境下，采用同样的实例进行实验，结果表明与二次插值算法结合的改进算法效果优于加入遗传变异操作的改进算法以及原始DAMPSO算法。