流水车间调度问题是一种典型的组合优化问题,在现实工程中有广泛的应用。随着智能制造的发展,应运而生的分布式流水车间调度问题具有高维、复杂、多约束的特点,设计高效的求解方法有助于提高生产效率,提升企业竞争力。零等待流水车间调度问题是调度问题的一种,其特征是生产工序之间不能存在等待时间,这类问题常见于轧钢、食品药品加工过程。考虑到对资源和环境的影响,绿色制造已是世界各国关注的热点,发展绿色制造势在必行。已有研究证明流水车间调度是一个NP-hard问题,智能优化算法不依赖于问题特性,通过设计合理的全局和局部操作能够有效求解流水车间调度问题。头脑风暴优化算法是一种高效的智能优化方法,其核心在于融入了聚类的学习机制。头脑风暴优化算法结构简单、易于实现,能够有效求解大规模工程优化问题,因此受到了专家和学者的广泛关注。本文深入研究了头脑风暴优化算法的聚类机制、更新策略和学习机制,并将融合了强化学习的头脑风暴优化算法应用于求解多目标节能分布式两阶段装配零等待流水车间调度问题。主要研究工作如下。（1）提出一种精英引导的参数自适应头脑风暴优化算法（An Elitist Guided Parameter Adaptive Brain Storm Optimization Algorithm,EGBSO）根据适应度值在目标空间对头脑风暴优化算法中的种群进行排序,将最优的M个个体视为精英,引导普通个体进行聚类,加快了算法的收敛速度。引入了精英引导的更新机制,利用全局最优个体与精英之间的合作来引导群体向更好的方向发展。设置了自适应选择参数,使算法在迭代早期倾向于全局搜索和在后期倾向于局部搜索,平衡了探索和开发能力。EGBSO算法和3种对比算法的实验结果证明了EGBSO求解复杂优化问题的良好性能。（2）提出了一种基于特征信息学习的头脑风暴优化算法（A Brain Storm Optimization Algorithm Based on Feature Information Learning,FIBSO）,改进了算法的理论指导,减少了搜索过程中的随机性。在BSO迭代过程中,每一代个体之间都存在信息交互。研究个体之间的信息特征有助于从理论上指导种群的进化。此外,还提出了包含全局最优个体和局部最优个体的三种搜索策略,以平衡算法的全局和局部搜索能力。FIBSO和几种对比算法在CEC2017测试集上的结果表明,FIBSO具有优于目前最先进算法的性能。将FIBSO引入到零等待流水车间调度问题中,结果验证了FIBSO具有显著的解决实际工程问题的能力。（3）提出了一种强化学习的头脑风暴优化算法（A Reinforcement Learning Brain Storm Optimization Algorithm,RLBSO）来提高头脑风暴优化算法的性能。为了提高算法在不同阶段的搜索能力,设计了四种变异策略,以精英为导向来确保种群质量。全局最优解用来指导个体的搜索方向,聚类中心提高了算法的精搜索能力,历史个体的保留增加了种群多样性。Q-learning机制根据策略反馈的历史信息来指导策略的选择。基于种群的进化状态和历史成功个体的经验,利用自学习机制确定个体的更新方式。RLBSO算法在CEC 2017基准测试集和实际工程问题上进行了测试,结果表明,RLBSO算法具有良好的性能。（4）将强化学习驱动的头脑风暴优化思想（A Reinforcement Learning Driven Brain Storm Optimization Idea,RLBSO）应用于求解多目标节能分布式两阶段装配零等待流水车间调度问题（Energy-efficient Distributed Two-stage Assembly No-wait Flow Shop Scheduling Problem,EEDTSANWFSP）,目标是最小化最大装配完成时间(Cmax)、总能源消耗（TEC）和资源分配均衡（RAB）。设计了关键工厂插入（CI）、关键工厂切换（CS）、关键工厂插入到其他工厂（CIO）、关键工厂与其他工厂交换（CSO）四个操作,以最大装配完成时间为目标进行优化。Q-learning机制指导了操作的选择,避免迭代过程中算法在解空间中的盲目搜索。受到头脑风暴优化算法中基于聚类的学习机制的启发,根据产品加工时间在目标空间将产品分配给工厂以平衡资源配置。针对零等待流水车间调度问题的特点,降低非关键路径和非关键工厂的加工速度来降低总能耗。在810个大规模实例下的实验结果表明,RLBSO在求解EEDTSANWFSP的性能优于对比算法。