制造业是国民经济的立国之本,智能制造则是“中国制造2025”的关键技术节点,柔性作业车间调度问题研究是智能制造过程的一个重要技术热点。随着先进技术的出现,车间调度的优化对于企业更快生产出新产品、降低生产过程中的成本、减小机器损耗具有越来越重要的意义。基于上述原因,本文对柔性作业车间调度问题进行研究。本文在系统阐述了柔性作业车间调度问题的研究背景、国内外研究现状、相关理论知识的基础上,分别从单目标和多目标的角度对柔性作业车间调度问题进行了研究,提出了改进的鲸鱼优化算法和改进的NSGA2算法,并通过多组实验证明了算法的有效性,本文核心工作如下:（1）建立了以最小化最大完工时间为目标的柔性作业车间调度模型,为了解决鲸鱼优化算法在求解该问题时出现收敛精度低、易陷入局部最优解的情况,设计了一种融合模拟退火算法的鲸鱼优化算法（Whale Optimization and Simulated Annealing,WOA+SA）。首先将算法在Kacem和Brandimarte两组基准算例上进行测试,测试结果与ICSO、HGWO、Heuristic、IWPA等算法进行比较,结果表明改进后的鲸鱼优化算法在求解以最小化最大完工时间为目标的单目标柔性作业车间调度问题时具有一定的有效性。然后将算法应用于求解两个实例问题,通过与传统遗传算法、粒子群算法、灰狼算法和原始鲸鱼优化算法进行比较,证明了WOA+SA算法在收敛精度上有明显提升。（2）针对实际生产车间中需要同时考虑完工时间、机器总负载、生产成本等多个目标函数,建立了多目标FJSP模型。对于传统非支配排序遗传算法（Non-dominated sorting genetic algorithm II,NSGA2）在求解多目标柔性作业车间调度中出现的过早收敛或局部收敛问题,提出了改进的NSGA2算法。将传统算法精英保留过程中直接选取前N个最优个体作为新一代种群改为先选取前N×a个个体,然后在次优前沿面上随机选择剩余个体,避免了种群多样性降低导致的算法陷入局部收敛,同时加入了邻域搜索,改善了原始算法的局部搜索能力。为了验证算法的有效性,本文建立了以完工时间、机器总负载、机器最大负载为目标的调度模型。将本文算法在Kacem三个标准测试集上进行测试,测试结果与人工免疫算法、粒子群加禁忌搜索算法等4个算法的比较证明了改进后的算法在求解多目标调度问题时具有不错的效果。最后,通过一个实例仿真证明了改进后的NSGA2算法比原始算法在求解此问题时的各个目标函数值上都有优势。本文所提出的改进算法主要是对静态调度问题进行了研究,而对于生产过程中出现订单取消、交货期提前等动态调度问题以及基于数字孪生的车间调度问题还需要进一步研究。