染色工序作为纺织产业链中的关键工序之一,是染整制造生产管控的瓶颈所在,通过染色车间调度提高产品的准时交付并降低生产成本是纺织行业生产智能管控的关键问题。染色车间调度问题是一种典型的并行批处理机调度问题,具有任务动态性、复杂约束以及调度目标可变等特点。根据淡旺季的不同实际调度需求,染色车间调度问题可分为单目标动态调度问题和多目标动态调度问题。通过对以上两种调度问题实现调度优化,进一步提升客户的满意度和减少生产成本,具有重要的现实意义和实用价值。首先,针对纺织面料染色车间单目标动态调度问题,以最小化总拖期时间为优化目标,提出了基于多智能体循环近端策略优化（Multi-Agent Recurrent Proximal Policy Optimization,MA-RPPO）强化学习的完全反应式调度方法。面向染色车间调度的组批和排缸两个子问题,设计了组批和排缸两个强化学习智能体;接着,针对车间任务的动态性,引入长短期记忆网络（Long Short-Term Memory,LSTM）提取车间动态信息,提高智能体对动态环境的自适应能力;进一步提出组批智能体和排缸智能体的交互机制,实现组批与排缸全局优化;抽取问题约束与优化目标的相关特征并设计奖励函数,通过动态调度机制驱动智能体的交互学习获得最优调度策略。经某印染企业的实例验证表明,所提方法对不同规模问题的求解性能均优于多种常用的启发式规则,有效降低了产品的总拖期时间,提升了企业订单的准时交付能力。其次,针对纺织面料染色车间多目标动态调度问题,考虑到多目标情况下多组妥协解的实际需求,设计了目标空间聚合（Objective Space Clustering,OSC）算法,对染色车间动态调度实现多目标帕累托优化。首先,面向离散域目标空间中解的分布不均匀性,设计了带多亚种群和精英策略的快速非支配遗传算法（MultiSubpopulation fast elitist Non-Dominated Sorting Genetic Algorithm,MS-NSGA-Ⅱ）对目标空间进行采样,针对调度约束设计了交叉和变异算子。接着,设计了基于余弦距离的K-Means聚类算法对多目标的优化空间采样点进行聚类分析,实现目标权重组合到目标空间的映射,保证了优化方向的多样性;接着,对多个强化学习基模型进行参数化设计和微调,并进行训练调优;最后依据福建某纺织品生产企业的实际生产数据对提出的多目标调度方法进行验证,结果显示所提方法可有效地对多目标调度的目标空间进行解析,所训练的强化学习模型可有效地逼近帕累托前沿,实现了总拖期时间和总污水处理量的降低。最后,以福建某纺织品生产企业染色车间为背景,分析系统的实际需求,设计和开发了染色车间生产调度系统,为纺织面料染色车间生产调度提供了平台与工具。