随着制造全球化飞速的发展,分布式制造的生产模式变得越来越普遍。分布式制造环境的复杂性进一步提高了调度求解的难度。本文针对分布制造环境下多厂生产调度问题进行研究,以期通过多厂之间的协调和作业优化,实现节能降耗、降低成本和提高分布式系统的整体效率和效益。本文对分布式多工厂生产调度问题的国内外研究现状进行了综述,分析了分布式多厂调度问题的研究重点、难点,对目前研究中存在的问题进行了剖析;对生产调度遗传算法的研究现状和发展趋势进行了较深入研究。在此基础上,考虑了多工厂、工厂之间工件转运时间加工机器之间工件转运时间等因素,建立了分布式多厂调度问题的数学模型。针对分布式多厂环境下,生产调度系统所涉及的实体对象多、信息关系复杂的特点,本文梳理了分布式多工厂实际物理系统中各主要模块的信息特征及其相互之间的信息关系,基于信息物理系统建立了分布调度系统物理——信息架构,所有工厂定义为并行的信息自主体,工厂之间信息交换地位平等、数据共享,通过信息的交互和协同,管理和调度各工厂及相互之间的作业。在此基础上进一步建立基于边缘计算模型,信息物理系统为边缘计算模型建立了网络基础,边缘计算模型对多工厂物理组件进一步封装,分别定义了车间层、工厂层的组织模型,以及车间层与工厂层的关系模型,建立起分布式制造环境下多厂协同调度系统的问题求解模型。在分布式多工厂环境下,由于很多作业在不同工厂中流动,比照单工厂环境存在更多的约束和资源限制,容易出现大量机器空闲的问题,同时由于问题复杂性提高,各种因素干扰,加大了对问题求解的难度,快速、准确求解问题至关重要。为此,本文提出了批量划分融合改进自适应遗传算法。批量划分将大批量化解为小批量,更方便对其生产做出调度;自适应遗传算法根据遗传和交叉概率的自适应变化使得算法更快收敛。为验证本文提出的融合批量划分的改进自适应遗传算法的有效性,在通过对大量数据进行仿真实验基础上,得到改进自适应遗传算法的交叉、变异概率初始值,进一步利用文献中的数据,对所提出的批量划分融合改进自适应遗传算法进行了仿真研究,与参考文献中的结果进行比较。结果表明对于调度过程中生产机器中大量空闲等待时间能够通过本文提出的方法较好地缩减,最大完工时间受到间接地影响也相应缩短。本文提出的批量划分融合改进自适应遗传算法,具有交叉和变异概率自适应调节、快速跳出局部收敛等优点。