在市场激烈竞争下，制造业的生产规模日益增大。实际生产中，待解决的往往是上千台机器，每月上千个订单的大规模调度问题。由于生产调度问题的本质是组合优化问题，而现有的生产调度算法都集中在小规模调度领域，如果将这些调度算法直接用于大规模生产调度，那么绝大多数算法在存储空间和计算时间上，都无法让人接受。如何在已有研究的基础上，针对大规模这一特点，提出一些行之有效的算法，使调度算法更贴近实际应用，已成为近年来生产调度领域研究的一个新热点。本文做的工作如下：本文提出一种基于相似度和种群熵的自适应蚁群遗传算法，用于求解大规模调度问题。该算法将种群分成勘探、开发、勘探开发以及保留四类种群，根据各种群的功能，采用不同的遗传参数和不同进化策略。在算法中，本文用相似度来建立种群熵，最直观的反映种群的多样性，利用与种群熵相关的种群因子动态的调节种群的规模，以保证种群的多样性，加强算法的并行性。同时为了充分利用算法中的反馈信息，在综合考虑蚁群算法和保留种群的特点的基础上，对保留种群实施蚁群寻优，不仅可以防止最优解的丢失，而且可以加快整个算法的收敛速度。上述算法中的勘探种群是算法的一个核心部分，它担负着寻找和开拓问题的解空间的责任，不仅需要有较快的寻优速度，而且算法本身的鲁棒性要强。而算法中的相似度是一个很关键也很重要的参数，所以本文抛弃原有自适应遗传算法的交叉后再变异的一贯策略，将相似度作为要么进行交叉、要么进行变异的分水岭，相似度的阀值通过一个与进化代数相关的函数动态调节，这种策略性的改变不仅提高了勘探种群的勘探能力，而且提高了算法的整体寻优能力。实验研究：本文针对Job-Shop调度问题、Flow-Shop调度问题和某汽车零部件有限责任公司的AAM生产线，设计并实现了一个调度算法实验系统，并应用改进后的算法对这些问题进行求解，得到的结果说明改进算法是可行和有效的。