在定制装备等行业,企业订单通常是以多项目的形式进行管理,其中多项目调度是一个重要的环节。随着客户定制化需求和市场竞争程度的增加,企业在进行多项目调度时所面临的挑战也更多,主要体现在:新项目不断随机到达、任务实际工期无法准确估计、部分精度要求高的任务需要质检且可能存在多次返工。这些随机因素对项目计划的正常执行造成很大干扰,导致企业普遍存在项目拖期的现象。为了更好地控制项目交货期,企业项目负责人需要动态地、频繁地更新项目调度计划,但是凭借管理者的经验进行人工决策往往不科学。针对该问题,本文从项目负责人的角度进行分析,以最小化总加权拖期为优化目标,对动态资源受限多项目调度问题进行剖析,并进一步分析与研究随机资源受限多项目调度问题的调度算法。本文展开的工作如下:（1）提出动态资源受限多项目调度问题标准算例生成方法。现有的资源受限多项目调度问题都是基于确定性项目环境进行研究,尤其是未考虑项目随机到达过程。为了能够科学地展开动态随机资源受限多项目调度研究,本文首先研究如何构建合适的、规范的动态多项目算例。首先,本文基于几种标准算例生成方法进行对比,以多项目资源指标与网络指标为依据,构建合适的动态资源受限多项目调度问题算例。基于这些算例,分析多项目调度环境指标对优先规则性能的影响。具体来说,分别以多项目总完工时间和单项目平均拖期、以及总加权拖期为优化目标,分析了动态随机多项目调度环境指标对优先规则性能的影响。（2）在动态随机多项目算例考虑新项目随机到达过程的基础上,进一步考虑项目中存在的任务随机返工和任务随机工期,并研究不同随机因素等级对优先规则性能的影响。为了覆盖更多实际生产情景,本文设置了多种随机返工等级,以及多种随机工期分布,基于优先规则的方法进行仿真分析。结合上一研究内容的结论,分析与总结随机因素对优先规则影响的根本原因。（3）探寻求解动态随机资源受限多项目调度问题的更优算法。本文基于马尔科夫决策过程理论对该问题进行建模,并提出一种基于近似动态规划方法的短视策略。将其与基于智能算法和优先规则的反应式调度策略进行对比,分别在项目信息确定和随机两种环境下验证本文中所提出的算法的有效性。（4）基于监督学习求解无限时域多项目调度问题。本文构建的算例是模拟无限时域随机资源受限多项目调度问题、以少量样本进行监督式学习训练,将所得结论运用于实际无限时域随机环境并进行验证。为缩短近似动态规划中仿真的耗时,本文提出以监督学习分类模型对近似动态规划的解进行训练,将所得模型运用于动态随机多项目算例验证有效性。为提高监督学习模型的性能,本文提出分类模型融合的方法。最后,基于无限时域多项目算例,将效率最高的优先规则与表现最优的监督学习模型进行对比,在不同到达概率与资源负荷环境下验证监督学习分类模型的有效性。综上所述,本文从标准算例生成方法到多种调度策略的构建,较为深入地研究了动态随机多项目调度问题。本文所得研究结论,对于提升企业的多项目管理水平具有一定的指导价值。