批调度及制造-物流联合调度问题是生产运作管理领域中重要的研究课题,近年来受到了管理学以及运筹学等多领域学者的广泛关注。在经典的生产运作管理中,构建模型时常见的假设是任务的处理时间是已知的,然而在实践中当员工一遍又一遍地执行任务时,员工完成相同的任务的速度会加快,员工的学习效应在制造企业中广泛存在。因此,本文考虑调面向员工学习效应的制造-物流联合优化问题非常具有理论和现实意义。首先,以艺术瓷砖制造和金属加工行业的应用为动力,本文研究了基于批位置的截断学习效应的制造过程优化问题。在生产中,一组半成品需在固定能力的单批设备上进行加工,若几个半成品作业的总尺寸不超过设备的能力时可一批加工。本章中考虑了一种员工基于批位置的截断学习效应,即在学习过程中员工由于学习效应能越来越快地完成任务,但经过一段时间学习后员工可达到最好的能力且保持稳定。然后我们考虑两种批量生产模型。第一种是半成品作业尺寸相同的模型,对此提出了时间复杂度为nnO)log(的最优算法。第二种模型中半产品作业的尺寸任意且与其处理时间成正比,该模型为强NP-hard问题,此外我们提出了两种类型的学习效应--快速和缓慢的基于批位置的截断学习效应,并提出了一种最坏性能比和渐近性能比小于2的近似算法。最后进行了数值实验,结果表明了算法的有效性,并还根据研究结果为制造企业的决策者提供管理见解和详细建议。之后,我们考虑制造商联合制造过程和物流配送的学习效应下最小化服务跨度,即从生产开始到产品配送完成的时间。本章考虑基于批位置的学习效应,在生产中批设备用于处理具有不同尺寸的作业,在配送中使用具有固定容量的车辆向客户交付产品且制造商到客户的运输时间是恒定的。我们展示了该联合调度问题是强NP-hard的,因此我们提出了最优解的性质,并提出近似算法,且该算法的最坏性能比为1.667和渐近性能比为1.223。然后我们考虑存在无限车辆时的特殊情况,此时性能比分别为1.5和1.223。最后通过问题规模、学习因子和运营因素的变化进一步分析算法的性能,并根据研究结果为制造商的决策者提出管理建议。