随着市场的全球化,传统制造业和新兴制造业间的竞争日益激烈。企业已经由单一的生产车间模式向分散的多车间模式转变,分布式生产制造应运而生。相对于传统的生产制造,分布式生产制造打破了地域的限制,实现了全球资源的优化配置和全球利益的深度融合。因此,分布式制造已然成为制造领域的一类重要问题。车间调度在分布式制造问题中至关重要,高效的调度策略是企业在面临不确定性和动态性的问题下提高自身竞争力的有效手段。许多分布式车间调度问题已经被证明是NP-hard问题,传统的精确求解方法不能求解该问题或高效地获得该问题的最优解。超启发式算法是一种通用的解决方案框架,可以自适应地选择优化器来解决复杂问题。本文的研究内容如下。（1）提出了一种协作的多阶段的超启发式（Cooperative Multi-stage Hyper-heuristic,CMS-HH）算法来解决组合优化问题。在CMS-HH中,引入了一种遗传算法来扰动初始解,以增加解的多样性。在搜索阶段,提出了一种基于多臂赌博机和中继杂交技术的在线学习机制,以提高解的质量。此外,当解的状态在连续时间内不变时,引入多点搜索与单点搜索进行协同搜索。CMS-HH算法的性能在六个具体的组合优化问题中进行了评估,包括布尔可满足性问题、一维装箱问题、置换流水车间调度问题、人员调度问题、旅行商问题和车辆路径问题。实验结果证明了CMS-HH算法的有效性。（2）提出了一种自学习的超启发式算法（Self-learning Hyper-heuristic,SLHH）来解决以最小化产品的装配完成时间为优化目标的分布式装配阻塞流水车间调度问题（Distributed Assembly Blocking Flow Shop Scheduling Problem,DABFSP）。在SLHH中,提出了七种简单有效的启发式规则来构造一组低级启发式（Low-level Heuristic,LLH）。针对低层启发式算法的历史成功率,提出了一种高层策略来管理LLH的选择。此外,还提取了隐藏在DABFSP中的先验知识来构造初始解。为了保证解的多样性,提出了一种考虑三种不同构造性启发式的重启方案。最后,SLHH和其他三种最先进的算法在810个实例上进行了测试。从实验结果来看,SLHH算法是求解DABFSP的一种有效算法。（3）本文在分布式阻塞流水车间调度问题中考虑了能耗指标。一种基于Q-learning的超启发式算法（Hyper-heuristic with Q-learning,HHQL）被提出解决节能的分布式阻塞流水车间调度问题（Energy-efficient Distributed Blocking Flow Shop Scheduling Problem,EEDBFSP）。Q-learning用于根据LLH反馈的历史信息,从预先设计的低级启发式集合中选择合适的LLH。一种同时考虑总延误（Total Tardiness,TTD）和总能耗（Total Energy Consumption,TEC）的初始化方法被提出来构造初始种群。在选择LLH的过程中,引入了-greedy策略来利用所学知识的同时保留一定程度的探索。关键路径上工件的加速操作和非关键路径上作业的降速操作被用来同时优化总延误时间TTD与TEC。基准测试中进行的统计和计算实验证明,HHQL在求解EEDBFSP的效率和显著性方面优于其他比较算法。