伴随着经济全球化的不断加深和市场竞争的日益严峻,传统的单一车间制造模式已经无法满足我国制造业的生产需求,分布式生产制造模式已经成为企业提高生产竞争力的重要手段。由于不同工厂之间存在着技术水平、机器数量、物料运输等无法避免的差异,导致生产效率低下,产品质量难以保证,因此采用何种有效地分工协作方式,使企业高效地生产出高质量的产品成为当前生产调度问题的研究热点。分布式柔性车间调度问题作为现代制造业发展的一种趋势,是平衡各企业之间发展不协调的重要手段,区别于传统的单车间调度问题,其约束限制更加严苛,车间之间协调性与实时性要求更强,所以求解难度也变得更高,因此基于传统规则的调度方法难以得到一组令人满意的最优解。粒子群算法作为启发式算法的一种,在解决复杂优化问题上展现出了较好的性能,为解决分布式柔性车间调度问题提供了新的研究思路。本文提出了两种高维多目标粒子群算法解决分布式柔性车间调度问题,通过常规的测试集对两种算法性能进行验证分析,然后使用分布式柔性车间调度典型算例验证所提算法在该应用上的有效性,其主要研究内容如下:模型建立。结合工厂在实际生产制造过程中的需求,确定该问题的待优化目标及多个约束条件。在上述模型基础上提出了基于目标空间映射策略的高维多目标粒子群算法。该方法将高维多目标空间映射为以收敛性和多样性指标评价的二维空间,再根据性能指标的优劣划分为四个不同的区域。同时,一种改进的反向学习策略被用来提高算法跳出局部最优的能力。通过分布式柔性车间调度问题算例验证,表明上述方法有效平衡了收敛性和多样性之间的关系,较好地解决复杂分布式车间调度问题。为了平衡各目标函数之间的相互关系,增加非支配解的选择压力,提出了目标协同优化策略的高维多目标粒子群算法求解分布式柔性车间调度问题。该方法根据收敛信息最小值点和各个目标极值点,通过将空间粒子分配到不同的极值点区域,来选取不同的非支配个体。同时变异策略被用来增强算法克服陷入局部最优的能力。仿真结果表明,该算法在求解分布式柔性车间调度问题时取得了较好的效果。