在冶金生产中，焦炭是必不可少的原料之一，它的质量的好坏直接影响冶金产品的质量。焦炉推焦是焦炭生产中至关重要的一环，焦炉推焦计划的合理安排对焦炉的稳顺生产有着重要的作用。焦炉推焦在遇到异常情况时都是人工编排，人工编排推焦计划容易造成资源的浪费甚至设备的损坏，不利于焦炭的质量和焦炉的稳定运行。因此，制定合理的焦炉作业计划，实现焦炉作业计划的优化调度是保证并提高焦炭质量的关键。在解决优化调度问题时，各种智能算法逐渐地被应用其中，其中蚁群算法和遗传算法的应用最为广泛。因此，本文提出了一种以蚁群算法和遗传算法为基础的蚁群遗传融合算法，该算法在前期，用遗传算法获取的较优解作为蚁群算法的初始信息素，这样克服了蚁群算法的初期信息素的积累速度慢的问题。然后，利用蚁群算法求解，之后将蚂蚁搜寻的解进行选择、交叉、变异，扩大了解的搜索空间，提高了蚁群算法的全局寻优能力，克服了它容易收敛到局部最优解的问题。同时，本文以旅行商问题为例，对该算法进行性能测试。与传统的蚁群算法和遗传算法进行比较，实验表明，该算法改变了蚁群算法的初始信息素分布，使算法搜索稳定性提高，同时也提高了蚁群算法的全局寻优能力，该算法在时间上和求解效率上均具有较好的性能。本文针对推焦过程中影响焦炉作业计划的乱笺等异常工况，提出了以推焦顺序的错乱、结焦时间的过长或过短引起的总的代价最小化为优化目标的异常工况焦炉作业优化调度模型，并将蚁群遗传融合算法应用到该问题中。为了验证这种算法的有效性，以某钢铁厂的焦炉为例进行仿真，和蚁群算法相比，本文算法中每一代最优解都逐步向全局最优解逼近，具有更好的全局寻优收敛性。同时，该算法以较少的迭代次数得到全局最优解，实现了对焦炉作业计划的优化调度。