Job-Shop调度问题是许多实际车间调度问题的简化模型,是一个典型的NP-Hard问题,已被证明在多项式时间内得不到最优值。蚁群算法是近年来兴起的一种优化算法,特别在解决组合优化问题中被越来越多的人所采用。为了更好的解决Job-Shop调度问题,通常将一些解决某类问题的较好算法组合起来。本文采用邻域搜索混合蚁群算法和自适应遗传蚁群混合算法来求解Job-Shop调度问题。针对蚁群算法的早熟收敛及收敛速度慢等问题,设计了一种基于邻域搜索的混合蚁群算法。运用具有可变邻域搜索的变异算子对搜索结果进行优化,该算子除了具有通常的变异作用外,还具备步长为2和3的局部搜索功能。最后针对经典Job-Shop调度问题中的LA类部分问题进行了仿真实验,实验结果对比表明,该算法求解Job-Shop调度问题具有较快的寻优速度和更好的全局搜索能力,同时增加了解的多样性,减小了陷入局部极值的几率。在充分分析自适应遗传算法和蚁群算法的基础之上,并根据两种算法的特点,将自适应遗传算法与蚁群算法动态融合来求解Job-Shop调度问题。首先,利用自适应遗传算法全局、随机、快速搜索特性生成部分优秀染色体,将其转化为蚁群算法所需的初始信息素分布,然后利用蚁群算法的正反馈、高效性求取Job-Shop调度问题的最优解;其次,确定自适应遗传算法与蚁群算法的最佳融合时机,避免自适应遗传算法过早或过晚结束而影响整体算法的性能。最后,本文针对Job-Shop调度问题中的11个经典问题进行了仿真实验。结果证明了自适应遗传蚁群算法具有更好的全局收敛性能,即克服了自适应遗传算法搜索到一定阶段时最优解搜索效率降低又避免了蚁群算法初始信息素匮乏的不足之处。尤其是问题规模越大,算法优势越明显。