在经济全球化的背景下,企业之间的合作日益增多,分布式制造逐渐成为制造业中普遍的生产模式。在分布式制造模式中,高效的调度优化方案不仅可以有效地提升企业综合生产效益,而且能够对分布式生产资源进行整合,从而降低生产成本。分布式车间调度问题是以不同企业之间的合作生产为背景,研究工件在工厂间的分配方案,确保各工厂内工件的加工顺序对某项指标的最优化。在数学上,分布式车间调度问题已被证明是NP-hard问题。随着生产规模的增大,其求解难度更加复杂,因而分布式生产车间调度问题具有重要的学术意义和实际应用价值。面对较大规模的分布式调度问题,传统方法已无法满足实际生产需求。因此,对于分布式车间调度问题的理论分析及其优化方案的研究依然是该领域的研究热点。L-SHADE算法是基于线性种群规模缩减(Linear Population Size Reduction,LPSR)和成功历史的参数自适应差分进化算法(Success History-based Adaptive Differential Evolution,SHADE),是差分进化算法系列最有效的家族算法之一。L-SHADE算法因其特有的更新和运行机制以及容易实现等优点受到广泛的关注。本文针对L-SHADE算法进行进一步的分析研究,并通过理论分析和实验深入探究了L-SHADE的优缺点。在L-SHADE算法基础之上进行改进,平衡算法的全局搜索和局部搜索能力,并将其用于解决连续优化问题和流水车间调度问题中。本文的主要研究内容如下:(1)通过对L-SHADE算法研究分析之后发现,它存在进化后期种群停滞和多样性较差以及对参数敏感性高等问题。针对上述问题,本文提出一种基于知识驱动的差分协方差矩阵自适应协同算法(A Knowledge-Based Differential Covariance Matrix Adaptation Cooperative Algorithm,DCMAC)。在DCMAC中,首先提出一种带有动态贪婪值的加权变异策略和基于差分向量的CMA-ES自适应采样机制。同时,利用前一代优化过程中获取的知识来选择变异策略,以在下一代中生成新的候选解。其次,引入一种参数学习机制,通过使用两个正弦公式和柯西分布来平衡DCMAC的探索和开发性能。最后,通过小生境种群规模缩减机制来维持种群的多样性。此外,利用马尔可夫模型分析了DCMAC的收敛性,并且通过实验设计(DOE)验证DCMAC算法中参数的最优组合。在CEC2017标准测试函数上的实验结果证明了DCMAC在解决复杂的连续优化问题的有效性和高效性。(2)针对零等待流水车间调度问题(No-wait Flow Shop Problem,NWFSP),将DCMAC算法引入到该问题中进行求解。使用Taillard标准测试集对DCMAC进行测试,相比于求解NWFSP的其他经典算法,DCMAC的收敛精度更高。本文还通过假设检验等科学的统计分析方法对仿真实验结果进行分析。(3)针对分布式置换流水车间调度问题(Distributed permutation flow shop scheduling problem,DPFSP)提出一种知识驱动的离散差分进化算法(A Knowledge-Based Discrete Differential Evolution Algorithm for the Distributed Permutation Flow Shop Scheduling Problem,KDDE)。首先提出一种改进的NEH方法来产生有希望的初始解,并采用Taillard加速方法来提高KDDE的运算效率。其次,保留了DE的标准框架,引入新的离散变异策略来提高KDDE的搜索能力。最后,引入基于工厂分配和工件顺序调整机制的四个邻域结构,以确保候选解在搜索过程中可以逃离局部最优。同时,基于知识的优化策略可以自适应的选择当前最合适的邻域搜索机制。通过DOE证明了KDDE算法中参数的最佳组合,并且在标准测试集上的仿真结果表明KDDE优于其他对比算法。