随着社会的发展,生产力的提高,对企业的生产效率要求越来越高,并且大规模的车间生产已经逐渐成为制造业的主流。研究批量车间调度的优化方法,对于制造业的现代化建设以及指导企业实际生产具有重要的理论价值和实际意义。本文介绍了生产调度问题的基本概念和研究方法、批量调度领域的相关研究成果,简介了遗传算法的基本理论和流程以及遗传算法在生产调度问题研究中的应用。在基于智能搜索算法(遗传算法,模拟退火算法)的基础上,提出了解决多品种可变批量的柔性作业车间调度问题的算法。分析了机器在处理工件的工序时所需要的处理时间的划分问题,将处理时间分为可提前做出准备的预处理时间和实际处理时间,并分析了该划分对降低生产周期的作用;基于机器的预处理时间,采取相同工件的同道工序在某台机器上连续处理时节省预处理时间的思想,利用遗传算法(MPGA)求解多品种可变批量的车间调度问题。为了更好的控制遗传搜索的收敛同时防止过随机化过程的出现,对染色体种群的迭代加入了刺激措施。在大规模批量的环境下,分析了将大批量进行分批的有效性,并讨论了不同分批策略对调度结果的影响。为寻找最优的分批策略,受Boltzmann选择过程的启发,提出了Boltzmann模拟退火算法(BSA)。MPGA依据BSA搜索得到的分批策略进行调度,MPGA得到的生产周期是指导BSA搜索的目标值。两个智能搜索算法结合使用,当BSA搜索结束时,得到最优的分批策略,此时MPGA得到依据此分批策略可以找到的最优调度方案和生产周期,BSA与MPGA同时收敛。实验结果表明,本文所提出的基于机器预处理时间的遗传算法(MPGA)和在大批量情况下采用的分批策略搜索算法BSA是有效的。