现代经济社会的发展中充斥着大量项目,如工程项目、软件项目等,随着经济活动的扩张和多元化,项目在执行过程中的不确定性越来越多,管理者预先制定的项目调度计划很难得到保障,实际的活动计划可能会发生偏离,并导致大量的额外成本。因此在排程调度计划时,项目管理人员需要充分考虑环境的不确定性,制定出较为稳定的调度计划,即鲁棒项目调度（Robust Project Scheduling）。以遗传算法（Genetic Algorithm,GA）为代表的进化算法（Evolutionary Algorithm,EA）,能有效求解项目调度优化问题,然而对于鲁棒性项目调度问题来说,其目标值鲁棒性成本（Stability Cost,SC）的评估需要进行大量的计算机仿真,该过程极为耗时,在实际中难以应用;而自由时差（Free Slack,FS）等鲁棒性替代指标,虽然能在一定程度上反映调度计划的鲁棒性,但与仿真绩效SC相比仍有不小的差距。在这种情况下,本文考虑基于代理模型的进化算法（Surrogate-Assisted Evolutionary Algorithm,SAEA）,该过程使用仿真数据构建出代理模型,即基于机器学习（Machine learning,ML）方法训练学习器,对目标值进行近似评估,从而降低计算代价,提高优化效率。本文分别面向单一项目和项目群研究鲁棒性项目调度问题,基于GA流程开发了代理模型优化调度方法（GA＿SAEA）。在面向单项目的调度优化中,代理模型对每个项目收集各自的特征数据,依据鲁棒项目调度的要求选择输入和输出,并通过多种ML方法分别训练单一学习器,从而有针对性地优化不同特点的项目调度;在面向项目群的调度优化中,本文寻找不同项目的共同特征,在特征处理后使用Stacking集成策略生成通用型学习器,进而对多种规模和结构的项目进行代理优化。之后,通过项目案例数据集进行仿真实验,将GA＿SAEA方法与两种传统优化调度方法（GA＿SC和GA＿FS）进行比较,在单项目和项目群背景下分析代理模型在鲁棒项目调度领域的适用性。实验过程中使用了多种规模和结构的项目作为测试问题集,并设置不同的管理和环境参数,运用计算机模拟出不确定性活动工期,对不同方法求解出的最优鲁棒调度计划进行仿真执行,再比较这些计划的鲁棒绩效、完工绩效和时间绩效,以验证GA＿SAEA方法的有效性和适用性。结果表明,本文开发的代理模型调度优化方法,在求解鲁棒调度上耗时少且效果较优,能在较短时间内提供具有一定鲁棒性的调度计划。与传统进化算法相比,极大地缩减了优化求解的时间,且在项目规模较大,完工截止时间较紧,环境不确定性水平更高的情况下,GA＿SAEA方法求得的调度计划绩效更优。而在面向项目群的代理模型优化调度中,Stacking集成策略可进一步提高代理模型的泛化能力,该策略构建的集成代理模型在项目群调度优化上的表现比单一学习器的代理模型更佳。