随着工业制造4.0的到来,制造系统向着多品种小批次的方向转变,柔性作业车间生产模式得以广泛应用。人工蜂群算法（Artificial Bee Colony Algorithm,ABC）自提出以来因其机制灵活、参数少等优点被广泛关注,非常适合结合其他算子设计混合算法求解各类问题。本文将ABC与多种优秀算子和策略相结合,设计了不同的混合ABC算法,着力于3种柔性作业车间调度问题（Flexible Job Shop Scheduling Problem,FJSP）的难点和重点,分别对其求解。论文主要工作如下:（1）针对经典柔性作业车间调度问题,以最小化最大完成时间（makespan）为调度目标,建立单目标柔性作业车间调度模型,提出具有混合规则初始化、贪婪解码和多邻域结构的混合人工蜂群算法,增强算法在解决单目标调度问题中的局部开发能力和稳定性。通过BRdata算例,验证改进策略的有效性,与主流算法的对比实验表明本章所提算法能够获得makespan更小的调度方案。（2）在单目标调度研究的基础上,加入了机器负载相关指标,建立了以makespan、机器总负载、最高机器负载为目标的柔性作业车间多目标调度模型,提出一种基于负载平衡的混合人工蜂群算法。算法在邻域搜索策略、基于负载平衡的启发式策略和多规则侦查蜂机制进行改进,使得算法具有更好的收敛性和分布性。通过BRdata算例验证所提策略的有效性,最后将所提算法与3种经典算法进行实验对比,结果表明所提算法能够为决策者提供更多、更优的调度方案。（3）考虑到实际生产存在的不确定因素,基于模糊数学理论建立多目标模糊柔性作业车间调度模型,提出一种基于划区分治的混合人工蜂群算法。针对Pareto支配关系无法准确描述模糊多目标关系的问题,算法首先设计了具有模糊数目标值的个体支配关系判断;随后分析种群在进化过程中存在的普遍规律提炼进化特性,并依据进化特性将种群划分为5个区域,采用分治策略对各区域进行有针对性的搜索,减少无用搜索,提高算法整体效率。在Lei和Wang两种算例上通过多目标评价指标对比验证了改进策略的有效性;最后选择了5种算法与本章算法在上述两种算例中进行对比实验,验证了所提算法在不确定调度环境中具有更优的收敛性和多样性。