随着新一代信息技术与先进制造技术的不断发展与融合,传统的制造模式逐步转型为智能、便捷的网络化制造模式。在此背景下,一种需求驱动、用户主导、基于知识、面向服务的网络化制造新模式——“云制造”应运而生。在云制造环境下,制造服务提供者（供应商）提供的大规模分布式制造资源被虚拟化并封装为云服务。云制造平台对云服务的集中管理和调度使其能够同时处理制造服务需求者（客户）提交的多个制造任务。大多数情况下,基于客户需求的制造任务复杂且异构,需要被分解为若干个具有先后关系的子任务,并由多个服务协同完成。因此,如何调度多个制造任务,即分配可用的制造服务来协同完成一批特定任务,是云制造平台面临的关键问题。近十几年来,云制造多任务调度优化问题吸引了越来越多学者的关注。然而,现有研究大多集中于优化平台完成一批任务的整体目标,而忽略了单个任务的个性化需求。实际上,随着云制造平台中制造服务规模的不断扩大和服务可配置性的动态变化,不同客户提交的任务需求在目标、偏好和约束等方面都存在显著差异。此外,现有研究仅聚焦于维护客户利益而忽略了供应商利益,导致部分供应商对云制造平台的兴趣和满意度随着时间的推移而降低,甚至可能退出云制造平台。为了克服上述局限性,本文从云制造平台不同发展阶段出发,引入短期效用和长期效用两个概念,考虑平台在不同阶段的偏好,对云制造环境下基于长短期效用感知的多任务调度优化问题展开研究。首先,针对云制造平台发展初期提出了一种基于短期效用感知的多任务调度优化模型,旨在快速培育一定数量的客户群体,促进平台初期的快速发展,实现平台短期效用的最大化。为了促进云制造平台的长期稳定发展,本文针对云制造平台发展中后期提出了一种基于长期效用感知的多任务调度优化模型,旨在平衡客户和供应商双方的利益,以激励供应商持续参与,从而推动平台的长期稳定发展,实现平台长期效用的最大化。在此基础上,本文分别提出了两种智能优化算法对以上提出的多任务调度优化模型进行高效求解。本文的创新点如下:（1）针对云制造平台发展初期提出了一种基于短期效用感知的多任务调度优化模型。该模型将三种基础服务质量（Quality of Service,简称QoS）指标,即时间、成本和可靠性作为每个任务的优化目标,同时考虑不同客户对目标的不同偏好和约束。在此基础上,运用多任务优化理论,使获得的调度方案能同时满足不同客户的个性化需求,以便在云制造平台发展初期快速培育一定数量的客户群体,促进平台初期的快速发展,实现平台短期效用的最大化。此外,提出了一种改进型多因子进化算法（Extended Multifactorial Evolutionary Algorithm,简称EMFEA）以高效求解基于短期效用感知的多任务调度优化模型。该算法的改进之处包括:一是采用统一的随机密钥编码方法并根据所构建模型的特点设计了一种新的解码方法;二是引入了能力向量的概念并设计了一种新的遗传机制;三是结合了分级选择机制和快速非支配排序以有效降低计算时间复杂度。最后,通过仿真实验验证了基于短期效用感知的多任务调度优化模型的可行性,以及EMFEA算法求解基于短期效用感知的多任务调度优化模型的有效性。（2）针对云制造平台发展中后期提出了一种基于长期效用感知的多任务调度优化模型。该模型将三种基础QoS指标（时间、成本和可靠性）作为评估客户整体利益的指标,将工作负载均衡度作为评估供应商整体利益的指标。在此基础上,通过运用帕累托理论,使获得的调度方案能够平衡客户和供应商双方的利益,以激励供应商持续参与,从而推动平台长期稳定发展,实现平台长期效用的最大化。此外,提出了一种改进型第二代非支配排序遗传算法（Extended Non-dominated Sorting Genetic Algorithm-II,简称ENSGA-II）以高效求解基于长期效用感知的多任务调度优化模型。该算法的改进之处包括:一是根据所构建模型设计了一种新的三维染色体编码方法;二是设计了新的交叉算子和局部搜索策略以维持种群多样性,避免陷入局部最优;三是采用博弈论对近似帕累托最优解集中的非支配解进行排序。最后,通过仿真实验验证了基于长期效用感知的多任务调度优化模型的可行性,以及ENSGA-II算法求解基于长期效用感知的多任务调度优化模型的有效性。