随着生产规模越来越大，复杂性越来越高，每个企业都在寻求更好的生产与运作管理方案，以提高企业的生产、经营和管理效率，从而提高企业的核心竞争优势。生产与运作管理的核心是车间调度问题能否高效地获得优化解，因此，研究车间调度问题具有重大的理论意义和现实价值。然而，现代调度的复杂性，特别是由于现代制造系统的运行环境充满着不确定性，系统的加工任务经常动态变化，这些不确定性、动态性和复杂性组合在一起，使车间调度变得更加困难。为了处理这种不断增长的不确定性和复杂性，调度系统必须具有较强的适应性、鲁棒性和可伸缩性。　　 本课题研究工作主要的主要内容包括以下几个方面：　　 (1)系统分析了多智能体系统中各智能体之间的通信以及多个智能体之间的协作问题。通过对多智能体的分析与建模方法的探讨，建立了基于多智能体车间调度模型。该模型采用管理者Agent、任务Agent和资源Agent，并按照改进合同网协议进行多智能体之间的协调与合作，以达到智能体间共同协商来完成订单加工任务。　　 (2)着重研究了遗传算法与蚁群算法的原理和特点，系统分析了遗传算法和蚁群算法各自的优化能力。遗传算法具有快速随机的全局搜索能力，但当求解到一定范围时往往产生大量无为的冗余迭代，使得求精确解效率降低。蚁群算法则是通过信息素的累积和更新收敛于最优路径上，具有分布式并行全局搜索能力，但由于初期信息素匾乏，所以求解速度慢。本文根据遗传算法和蚁群算法的特点，研究将两个算法融合，提出一种混合遗传算法。　　 (3)将混合遗传算法融入到基于多智能体的车间调度模型中，来求解车间调度问题。通过仿真实验，证明了该模型在动态车间环境下的有效性，同时得到的调度方案在设备利用率等方面的性能大大优于按一般规则调度得到的结果。　　 本课题创新点在于将混合遗传算法引入到多智能体车间调度模型中，建立了一种基于多智能体和混合遗传算法的车间调度模型。该模型具有多智能体的智能性和动态处理能力以及混合遗传算法的优化能力，并且在满足全局性能优化的前提下，最大限度地发挥各车间的灵活性和自主决策力，提高了对急件、机器故障等意外事件的反应和处理能力，满足了车间调度系统在动态环境下的敏捷性与优化调度。