随着人类生活水平的提高,对精细化产品的需求也随之增多,为了适应激烈的竞争环境,制造车间产品的制造工艺也逐渐复杂化,使得传统以单一生产车间为主的生产模式受到了冲击,制造车间需要向更加协同化的方向发展。分布式制造可以将优/劣势不同的企业联合起来,根据制造任务,采用合理的分工的方式共同完成产品的制造,提高制造车间的生产效率,更适合当前制造业的市场需求。而合理的物流运输调度方案是分布式制造的一个重要方面,调度优化的本质是给出最优的加工路线,去优化厂商所需要的产能指标。但随着市场交易的规模逐渐扩大,单一产能目标的寻优已经满足不了人们的需要,随之而来的高维多目标调度优化问题也越来越受到关注。目前,传统调度算法中的交叉变异算子往往使用固定的比率,不能根据客户需求及时的去进行生产调整,最终会影响算法的性能,而Q-Learning的自适应选择机制可以根据不同的生产需求选择最合适的交叉变异算子,从而提高生产效率。因此,在分布式制造的背景下,本文将基于QLearning的自适应选择机制与NSGA-III算法相结合去解决分布式制造系统下的高维多目标物流调度优化问题,该算法在交叉和变异部分分别提供了五种不同的计算因子,由Q-Learning机制进行选择。并对最大完工时间、加工总能耗、交货期提前量、延迟量、生产总成本等多个目标同时进行优化。最后,通过其与其他几种高效的优化方法进行了对比,验证了所提算法的有效性。本文主要从以下几个方面研究:（1）首先对高维多目标寻优和分布式制造的现状进行介绍与描述。提出一种基于Q-Learning自适应机制的NSGA-III优化算法,将优化算法应用在高维多目标函数寻优问题上,并进行实验仿真验证该算法的有效性。（2）其次,对分布式制造系统进行介绍与描述,包括该模式下的物流调度问题的概述、分类以及工作状态等,为后续研究高维多目标物流调度问题做铺垫。（3）最后,研究具有物流运输条件的分布式制造系统的高维多目标调度问题,同时优化最大完工时间、加工总能耗、交货期提前量、延迟量和生产总成本等五个目标函数。并将本文提出的Q-NSGA-III算法与其他三种有效的优化算法结合物流调度问题进行实验对比,通过测试不同类型的案例验证算法的有效性。