随着我国经济的快速发展,工业生产的智能化程度越来越高,生产调度作为企业生产的核心,依靠智能优化调度算法来解决多目标、大规模的生产计划是当前解决生产效率的重要措施。合理的调度方案,不仅可以将有限的资源得到充分的利用,减少工人的作业时间,更能提高企业的生产效率。车间调度问题是典型的组合优化问题,也是多目标的优化问题,这些目标之间往往是相互冲突的。在求解多目标的优化问题时,传统的方式一般是通过一定的规则将多目标转化为单目标求解,得到的解是唯一的,多数情况下很难满足企业快速生产的需求。为了得到更多的可行解,将人工智能算法运用于求解车间调度问题具有重要的理论与实践意义。蚁群算法(Ant Colony Algorithm,ACA)是一种具有鲁棒性、并行性、正反馈机制等特点的智能优化算法,在求解离散型问题时具有较强的寻优能力。针对如何利用ACA求解多目标优化问题,从以下两方面进行:一是研究如何提高ACA求解多目标优化问题的性能。二是研究改进的ACA算法在车间调度优化中的应用。在对ACA分析和研究的基础上,对其进行了改进。改进之处主要体现在以下四个方面:针对蚁群算法初始时刻盲目搜索导致搜索时间较长的缺点,对信息素初始化进行Logistic混沌处理;同时,将参数α(信息素重要程度因子)和β(启发式重要程度因子)设置为随迭代次数的变化而变化的值;在信息素更新时,引入最大-最小蚂蚁系统(Max-Min Ant system)来限制信息素浓度;采用Pareto排序对搜索到的可行解进行评价。通过MATLAB编程实现算法的改进,采用著名的基准测试函数对改进的ACA进行测试,将其与其他算法进行分析比较,验证改进算法在求解多目标优化问题的有效性。将改进的ACA应用于求解多目标的车间调度问题。建立以最小化的最大完工时间和总拖期时间为优化目标的车间调度数学模型。采用HEN算法获得初始解,在转移概率中,将伪随机比例规则和随机比例规则相结合构建求解多目标的车间调度问题的ACA。采用经典调度模型的标准测试算例对其进行测试,验证改进的ACA在求解多目标车间调度模型的可行性。