智能调度是解决复杂生产调度问题的有效途径,它使得生产调度研究进入了一个崭新阶段。但是,面对着种类繁多、特性迥异的实际调度问题,现有的智能调度方法还远远不够。这就要求进一步拓宽研究范围和思路,继续寻找有效的智能调度新方法。分布估计算法作为一类新兴的进化算法,正成为当前智能计算中的研究热点。它使用概率模型来引导搜索过程,避免了交叉、变异等操作对于构造块的破坏,有效地提高了算法性能,可以快速、可靠地解决许多传统进化算法难以求解的复杂优化问题。考虑到分布估计算法的上述优点,本文将它应用到智能调度领域,围绕着生产调度的相关问题以及算法本身进行研究。主要工作如下：(1)针对离散生产过程建模,提出一种带有时间因子的规则化描述方法,并给出了改进的规则匹配策略。使用该方法为离散生产过程中的各加工模块建立模型,同时与其Petri网模型作比较。(2)为了克服变量无关分布估计算法解决复杂函数优化问题的局限性,提出Q学习分布估计算法。将各基因位关联一个Agent,而把选择概率值更新规则作为其动作,通过使用Q学习方法与群体的进化过程交互,实现了概率向量的自适应更新,提高了算法的全局搜索能力。(3)针对Job-Shop调度问题的组合优化特点,提出了一种自适应的整数编码分布估计算法。算法采用自适应的增量学习思想,通过更新概率矩阵和采样,实现了在整数空间的进化搜索,表现出了较好的性能。(4)提出免疫分布估计算法,并分别给出其求解确定性Flow-Shop调度问题和模糊Flow-Shop调度问题的实现方案。该算法引入人工免疫的机理,采取基于浓度的选择方式,从而维持了群体的多样性,取得了较好的优化效果。(5)对于加工时间预测进行研究,提出一种基于案例推理的预测方法。利用历史数据构建案例库,采用聚类算法为其建立索引结构,进而分两步检索相似案例,并通过案例修改获得预测值。实验结果表明,该方法优于多元线性回归和神经网络方法,具有更高的预测精度。