近年来,在线调度问题受到人们广泛关注。在半导体制造、金属铸造等行业,为了提高生产率,需要对相容工件族批处理机系统进行在线调度。因此本文主要研究带有相容工件族的批处理机在线调度问题,本文的主要工作如下所示:(1)本文首先根据相容工件族批处理机系统的工作机制,将对该系统的在线调度问题建立为连续时间马尔科夫决策过程,在决策时利用当前系统中的工件信息。由于在相容工件族的调度问题中工件组合成批的情况较多,因此可以采用先验知识对问题进行适当的简化,从而方便对其求解;然后在平均准则下采用策略迭代的理论算法求得最优调度策略。当系统规模较大时,策略迭代算法求解效率较低,本文采用一种模型无关,简单高效的基于模拟退火的Q学习算法对连续时间马尔科夫决策过程进行求解。最后的仿真结果表明,采用的基于模拟退火的Q学习算法在不同系统参数设置下求得的解都接近理论最优解,这验证了所建模型的合理性以及所采用优化算法在求解该问题的有效性。(2)在实际生产中还存在一类具有前视区间的相容工件族在线调度问题,其中前视区间内即将到达的工件信息能够预测或者准确获得。此时,只根据当前系统中的工件信息进行调度具有一定的局限性。因此本文针对具有前视区间的相容工件族在线调度问题,提出了一种考虑未来到达工件信息的调度方法——前视调度方法。本文将具有前视区间的相容工件族在线调度问题建模为半马尔科夫决策过程,然后同样通过策略迭代算法和基于模拟退火的Q学习算法进行求解。最后通过仿真实验证明了,具有前视区间的相容工件族在线调度问题中,前视调度方法的性能优于只利用当前系统中工件信息的调度方法。