随着科学技术的发展，制造业的生产规模越来越大，生产环境更加复杂多变。生产车间调度问题通过合理的调度决策，可以提高机器利用率，降低生产成本，最小化完工时间，从而提高企业的生产效率和经济效益，从而被制造业广泛关注，是其生产加工的核心环节。各种智能优化算法不断的被提出并应用在求解车间调度问题上，从而使得车间调度问题得到了很大的提高。其中，蚁群算法（ACO）根据自然界中的蚂蚁在寻找食物源的机理，通过人工蚂蚁不断的迭代，从而寻找最优解。该算法通过正反馈原理以及各个蚂蚁之间进行相互的信息素更新和传递，使它们在搜索过程中相互协作，便于发现较优解，因此特别适合解决JSSP问题。本文针对Job shop调度的特点和蚁群算法自身易陷入局部最优和收敛速度慢的问题，提出一种平滑自适应Job shop车间调度蚁群算法。在信息素更新过程中采用奖惩措施加快算法的收敛速度，当算法陷入局部最优时，采用平滑机制对信息素的挥发系数进行调整，扩大蚂蚁的搜索范围，进而使算法“跳出陷阱”，提高算法的全局搜索能力；根据各路径上的信息素多少进行自适应调整，有助于提高算法收敛速度。在自适应参数更新过程中，根据算法的实验性能将参数值进行适当的调整，根据其他学者的研究经验，当算法运行至总迭代次数的1/4时，对参数进行更改。仿真结果验证了算法的可行性和有效性。蚁群算法的优化结果以及求解效率受参数α、 β、 ρ、 Q、 m的影响非常大，它们值的大小对蚁群算法的性能起到决定性作用。本文对平滑自适应蚁群算法中的主要参数α、 β、 ρ、 Q、 m进行分析和仿真研究，并得出它们对算法的影响程度及规律。针对生产规模扩大，单车间生产模式无法满足时代需求的问题，本文将改进平滑自适应蚁群算法应用到分布式多车间调度中，并将结果与其它算法进行对比，结果表明该算法在运行时间和搜索最优解等方面都有所提高。