作业车间调度问题是众所周知的NP问题,受到多种条件的限制,随着问题规模的增加,找到最优解的难度也会增加,是一种难以解决的组合优化问题。受限于实际生产环境的各种约束条件,如何有效地安排各部分的加工顺序将直接影响生产效率,适当的生产调度算法能够正确有效地规划企业资源,合理安排工件的加工顺序和加工时间,适当的利用现有资源,通过优化生产调度指令,满足生产调度的基本要求,以期获得生产总时间的最优化,这对企业的实际生产具有重要的理论意义。本文以优化生产排程,缩短生产周期为目标,研究了多工序多加工路径的批量调度问题,以遗传算法为基础,结合蚁群算法,提出了一种顾及全局搜索和局部搜索的生产调度混合算法。首先,详细介绍了生产调度问题,并描述了每种调度类型的特点。简要介绍了遗传算法和蚁群算法的原理和基本框架,深入了解了遗传算法的遗传算子和参数选择,介绍了蚁群算法的信息素更新机制。进一步在生产调度问题的基础上抽象出数学模型,根据同一机器不同零件和同一零件不同工序分为多种情况,分别得出对应的加工时间和等待时间。同时对遗传算法进行遗传算子的改进,提出一种基于迭代次数的动态遗传算子,使得遗传算法的收敛性能和搜索能力进一步加强,对蚁群算法的寻优方式进行改进,提高蚁群算法的寻优能力。接着对两种算法进行混合,遗传算法产生初始种群,采用改进的编码转换,使得初始种群携带的信息更为完善,为蚁群算法提供初始信息素,将两种算法进行更小粒度的融合解得最为合适的时间组合,相互指导更新全局最优解,使得总的生产周期最小。将两种算法进行融合以克服遗传算法的搜索效率低、易陷入局部最优以及蚁群算法难以对全局信息进行把握的问题。最后分析了混合遗传算法的优越性,通过MATLAB仿真程序的模拟仿真,结合调度标准算例进行不同算法的性能分析,改进了混合算法的搜索效率,提高了混合算法的收敛性能,同时针对不同的时间权重得出不同的优化选择。系统的运行结果满足了生产调度的要求,证明了混合遗传算法的可行性和实用性。