多目标车间调度问题是指企业的生产在保证经济效益的同时,也要完成按时交货、低碳减排、降低消耗等生产目标。基于概率模型的智能优化算法(Intelligent Optimal Algorithm Based on Probability Model,IOA_PM)是一类新兴的智能算法,与传统的智能算法不同。IOA_PM可以在算法搜索的过程中统计优良解中的序关系信息并遗传给新个体,使算法快速收敛的同时还具有一定的局部搜索能力。因此,IOA_PM是学习序关系的理想载体。本文针对车间调度中两类重要的多目标模型进行基于IOA_PM的研究。主要工作如下:(1)针对经济指标最大完工时间(Makespan)和碳排放(Total Carbon Emissions)的阻塞流水车间调度问题,设计了一种混合量子进化算法。该算法将量子进化与邻域搜索相结合,利用量子优化算法的全局搜索能力探索该问题的优质解区域,同时采用变邻域的搜索机制对其进行更细致的勘测。通过仿真实验与结果对比,验证所提算法求解此类问题的有效性。(2)针对以最大完工时间(Makespan)和最大延迟时间为目标的零等待作业车间调度问题,提出了一种混合分布估计算法(Hybrid Estimation of Distribution Algorithm,HEDA)。在种群初始化阶段加入了启发式操作提高初始解的质量,引导算法的全局探索方向;基于变邻域的搜索机制加强了算法局部勘测效率。最后,通过对比验证了 HEDA的有效性和鲁棒性。(3)针对优化目标为总流经时间(Total Flow Time)和总能量消耗的绿色零等待作业车间调度问题,提出了一种基于前端省略的改进分布估计算法进行(Improved Estimation of Distribution Algorithm,IEDA)求解。结合 NWJSSP 的问题特性,设计了一种基于前端省略和变邻域相结合的局部搜索策略融入EDA中。改进EDA的采样机制和概率模型更新机制,形成改进的分布估计算法。最后通过实验及对比,验证所提算法在求解此类问题中的有效性。