生产计划和调度在企业生产中扮演着重要的角色。传统CIMS分为五个层次：企业决策层、企业管理层、生产计划调度层、监控层、控制层,而生产计划和调度正处于中间,因此它不但要将企业管理层的控制指令下放到监控层,而且要将监控层的监控信息及时的反馈到管理层,以供管理层及时作出调整措施。所以说,生产计划和调度在企业生产中起着承上启下的作用。本文通过设计和改进智能优化算法,来解决Flow Shop调度问题,并通过仿真实验验证了所采用算法的可行性和有效性。对于传统Flow Shop调度问题,引入一种改进的协同免疫算法。该算法采用协同进化算法和免疫算法,运用免疫算法的全局搜索能力和协同进化算法的有效缩短搜索路径的优点,将两种算法有机结合。针对传统协同免疫算法后期搜索能力差的问题,设计了一种新的种群选择机制——“80/20准则”,又根据算法初期收敛速度慢的问题,加入局部搜索算法。仿真实验表明,改进的协同免疫算法比基本的协同免疫算法和遗传算法更加有效。很多加工企业,尤其是化工加工行业,传统的Flow Shop调度方式并不能满足其实际生产需求。在这些行业中,中间产物往往在上一阶段加工完成后必须马上进入下一个加工机器中,这就需要用零等待Flow Shop模型来代替这类问题。论文将改进的协同免疫算法引入这类问题,通过大量仿真实验,和传统协同免疫算法以及遗传算法相比较,仿真结果验证了改进的协同免疫算法在解决零等待Flow Shop调度问题的有效性；对于以Makespan为调度目标的具有零等待的Flow Shop调度问题,在改进的协同免疫算法的基础上,引入全局交叉方法。实验验证了这种全新的交叉方法在保存优秀基因片段和增加种群多样性上,都具有很好的效果。仿真实验采用标准算例进行验证,并和遗传算法、未改进的协同免疫算法、改进的免疫算法相比较,仿真结果验证了这种方法的优越性。