车间生产调度是智能制造领域中的重要问题,优化调度可以提高生产效率,减少资源浪费。在实际生产过程中,往往因不确定因素导致调度的不确定。同时,在当前全球合作化生产模式的背景下,对分布式流水车间调度问题的研究更具有现实意义。此类不确定环境下分布式流水车间调度问题的复杂度高,现有的智能算法难以求解出理想的调度方案。本文提出不同的混合策略来改进智能算法,设计混合智能算法来解决不确定环境下分布式流水车间调度问题,主要研究内容如下:首先,提出了一种基于序列差分的混合智能算法来解决带有模糊加工时间的流水车间调度问题。混合智能算法包括了中心区域采样策略和边缘区域采样策略,两种采样策略使种群能够快速收敛至Pareto前沿面的多个区域。同时,序列差分策略可以根据个体之间的序列差异来引导表现较差的个体向表现好的个体移动,提高了算法的局部搜索能力。所提算法在改进的E.Taillard基准车间测试问题上与四种经典智能算法进行对比,结果证明所提出的算法具有更好的收敛性与分布性能。其次,提出了一种基于序列差分的多阶段混合智能算法来解决多工厂情况下带有模糊加工时间的分布式流水车间调度问题,增加了工厂染色体向量对个体进行编解码操作。多阶段混合智能算法分为三个阶段,在第一阶段,混合采样策略使种群向Pareto前沿面快速收敛;在第二阶段,使用序列差分策略来加快个体的收敛速度,以提高算法的收敛性能;在第三阶段,改变序列差分的进化方向,来引导个体向Pareto前沿面的局部区域进行搜索,从而进一步提高算法的收敛性与分布性能。实验证明了相比于其他对比算法,所提出的基于序列差分的多阶段混合智能算法可以更好的处理不确定环境下分布式流水车间调度问题。本研究所提出的混合智能算法,结合了基于混合采样策略的全局搜索策略和基于序列差分的局部搜索策略,保证了算法的收敛性与分布性能,同时将算法分为多个不同的阶段,对应的使用不同进化方向的序列差分策略,进一步提高了算法的性能。本文提出的算法与策略可以有效的解决不确定环境下分布式流水车间调度问题,同时对于混合智能算法解决其他复杂多目标优化问题提供了有益的借鉴和参考。