对于自动化生产程度很高的制造企业，实时调度以及再调度的存在要求系统在极短的时间内能够给出新的最优调度方案，然而诸多调度问题的NP难求解特性不但使这一任务变得几乎难以实现（尤其当问题的规模变大时），而且迄今为止在理论上对于这类问题仍未给出其有效的求解算法。因此设计能够逐步提高自身调度性能的算法成为一个合理而可行的选择。Flow-shop问题和Job-shop问题是两类应用比较广泛的生产调度模型，作为NP难问题关于它们的有效求解调度算法至今也未被给出，本文以这两类问题为基础，对相应的知识化制造单元调度算法的自进化性能进行了研究。　　具体而言，主要在如下几个方面进行了研究:　　1.针对以最大完工期为调度目标的流水型知识化制造单元提出了一种能够持续改善其求解性能的自进化算法。算法在搜索最优解的过程中对当前解采取合适的动作以得到新的解，理论上如果每次采取的动作都是正确的，则最终得到最优解，因此动作的选择是解决问题的关键。为了提高动作选择的准确度，提出以Q学习中q因子的值选取动作。针对系统状态随着问题规模变大而急剧增加所导致的q因子难以求取的问题，提出用支持向量机通过Q学习中基于值迭代的学习训练实现对q因子进行拟合。为了提高支持向量机的拟合性能，提出了一种兼具高斯函数和多项式函数优点的混合函数并证明该函数满足核函数要求。设计了系统状态特征指标并将其与动作值一起作为所提支持向量机的输入。数值仿真表明所提支持向量机对于动作的选取能力随着学习过程的增加而逐步提高。　　2.对Job-shop型知识化制造单元自进化策略进行了研究并提出了一种以最大完工期为调度目标的自进化算法。首先对Job-shop型知识化制造单元结构进行了分析，然后定义了动态开工时间、动态交货期、动态处理时间并构建了其链约束模型。理论上如果每次能正确选择要添加到该模型弧，则最终能够得到最优调度。为了正确地添加弧约束，给出了关于链路图添加弧约束的性质，并将操作对分为三类，提出了可排操作对的判定方法并证明了该方法的有效性。为了准确地选择准可排操作对，提出以训练过的q因子的值进行选取。由于系统状态过多而导致q因子值不能通过标准Q学习而得到，为此提出以径向基函数网络通过训练实现对q因子的拟合，拟合过程遵循Q学习过程中值迭代思想。　　3.对多目标类Job-shop结构知识化制造单元调度自进化策略进行了研究并提出了一种以最大完工期、总加权完工期、任务的加权总拖期、拖期任务的加权总数、最大拖期为调度目标的自进化算法。建立了类Job-shop结构的知识化制造单元多目标调度优化模型，对多目标间关系进行了分析并指出各目标与各项任务完工期之间是非减函数关系。提出由关键弧所组成的各任务关键路径的性质并证明中间关键弧方向的改变不能优化目标函数值，以此为基础提出一种缩减邻域，采用该缩减邻域能够有效减少要搜索可行解的数目。为了准确选取要改变方向的关键弧，结合所研究问题提出一种自适应启发评价方法通过学习训练选取关键弧。设计了表示关键弧特征的向量作为联想搜索单元和评价单元的输入。联想搜索模块通过学习训练能够逐步提高准确选择关键弧的能力。　　4.针对流水型知识化制造单元提出了一种以最大完工期为目标且具进化特性的调度算法，算法采用了深度优先搜索的方法，能够自动变更搜索路径以避免陷入局部最优。为了减少邻域内要搜索可行解的数目，分别给出对关键任务实行插入和交换两种操作所形成的新可行解的最大完工期的下界并且对所给下界进行了证明。对于下界高于当前解的最大完工期的操作不予实施，这样极大减少了邻域内要搜索的可行解的数目并缩短了搜索时间。在此基础上采用深度优先搜索方法设计了一种带回溯功能的可变更路径的迭代搜索算法。该算法通过改变操作邻域和回溯方法以改变搜索路径，并可将问题转化为一个指派问题求解使其跳出局部最优。对指派矩阵的持续更新可使由该矩阵得到的新调度能够继承已有调度的优良特性，这点类似于遗传算法，从而使算法的搜索过程具备进化特性。