柔性作业车间调度问题(Flexible Job Shop Scheduling Problem, FJSP)是传统作业车间调度问题(Job Shop Scheduling Problem, JSP)的扩展,它假定一个工序可以在多台机器上加工,它不仅需要确定工序的加工顺序,还要给每个工序分配机器,但其更加符合实际的生产环境。尽管FJSP减少了机器约束,但是其增加了机器的不确定性,扩大了可行解的搜索范围,是一类更为复杂的NP-hard问题,所以对它的研究具有重要的理论价值和应用意义。本文的研究就是围绕柔性作业车间调度问题展开的,主要工作如下：首先,对柔性作业车间调度问题国内外研究现状进行了综述,分析了基本蚁群算法求解柔性作业车间调度问题存在的不足,进一步提出了本文的研究思路。其次,充分考虑生产成本,交货期,完工时间等目标,构建了FJSP的多目标调度模型。再次,提出一种改进的蚁群算法求解FJSP。首先将改进的蚁群算法应用于静态柔性作业车间调度问题,进一步对动态环境下的柔性作业车间调度问题进行研究。针对FJSP的特点,本文提出了一种新的机器选择策略,从而扩大了机器选择空间。本文提出的一种改进蚁群算法,改进之处主要体现在以下几个方面：(1)采用了一种均匀分布蚂蚁初始位置的初始化机制,并且蚂蚁在开始搜索阶段不按照信息素引导机制选择路径,只有当信息素超过某个值的时候,才允许按照信息素引导方式寻找最优路径；(2)采用一种新的先验知识选择路径、概率搜索和随机搜索三种方式相结合的节点选择方法,并排除转移概率不合理的路径；(3)对信息素的更新方式进行了改进。当蚁群算法陷入局部最优的时候,采取强制破坏路径上的信息素的方式来打破蚁群算法陷入局部最优的状态。与此同时,若一条路径上面的信息素超过所有路径上面信息素总量的90%时,对信息素进行初始化的操作；(4)在构建解的过程中,当蚂蚁目前已经搜索到的解大于目前发现的全局最优解,则提前退出该蚂蚁的遍历。改进的蚁群算法能够进一步加快蚁群算法的收敛速度和提高全局搜索的能力。通过多个仿真实验案例,并将计算结果与文献中其他算法进行比较,验证所提出改进算法的可行性和有效性。最后,根据企业的生产需求,开发了柔性作业车间调度系统平台。