调度问题不仅常见于供应链管理和运营中,同时也广泛存在于软件开发计划、计算机系统控制、机器端口调度和生产计划中。作业车间调度问题是标准的NP-hard问题,并被认为是最具有挑战的调度问题之一,是集成制造技术的重要研究内容和运营管理问题的核心。本文针对以最短完工时间为目标的作业车间调度问题,对分支定界法进行了改进和应用;同时对混合遗传算法和蚁群算法进行了改进,并将改进后的算法应用在多自动引导小车场景下的调度中,具体研究内容如下。首先,设计了在已知活动调度序列的前提下,求解工序开始结束加工时间计算方法,并通过增加约束条件对搜索树进行剪枝来提升分支定界法的搜索效率,经过对比实验证明,改进后的算法搜索速度提升了45.39%,针对大规模问题最优解的优化提升3.40%。改进方法为后面算法性能验证提供了理论最优值。其次,针对作业车间中因频繁切换工件而增加完工时间的现象,改进了在作业切换频繁的场景下基于加工需求相似度的混合遗传算法,根据加工需求用聚类方法对工件进行分组,再将分组结果加入到混合遗传算法生成的初始种群中,并改进了混合遗传算法的选择算子。通过实验证明了经过聚类后的遗传模拟退火算法的搜索速度更快,并在一定程度上降低了算法提早收敛于局部最优的风险。再次,提出了基于动态调节的自适应蚁群算法,根据上一代相似解的离散度判断算法是否有陷于局部最优的风险,对应调整蚂蚁转移状态以及采取不同的信息素矩阵更新策略对该代可行解的更新进行调整,并通过实验证明了算法的可靠性。最后,对改进后的两种算法进行敏感性分析,论证了不同参数对改进算法的影响,比较了两种改进后算法的鲁棒性;根据经典基准测试问题对于两个改进算法进行对比测试,分析了算法在不同规模问题下的性能差异;最后将算法应用在多自动引导小车运输环境下的作业车间调度问题中,证明了算法的可扩展性和实用性。