批调度问题广泛存在于工业生产的各个方面,如半导体制造中的芯片预烧处理、金属加工中的热处理等。相比于经典调度问题,批调度问题不存在工件加工的排它性假设,因而具有更高的复杂度。而其中flow-shop环境在实际生产中更具普遍性,对其的研究具有重要的理论和现实意义。模具调质车间的批调度问题即为一类典型的两阶段混合流水车间动态批调度问题,此类车间的特点描述如下:两个阶段分别包含多台批处理机,对动态到达的差异化任务进行两阶段组批加工,每个批次在每个阶段完工后都需要拆批质检,伴随着多类型返工随机出现,并且背景行业对拖期量、机器效能和组批质量有复合需求。针对以上特点,本文的主要研究工作如下:(1)为实现两个加工阶段的组批优化与返工干扰下的快速响应,构建了一类面向不确定性环境的前瞻组批算法。由事件驱动的前瞻组批决策确定前阶段当前空闲机器的下一个最佳开工批次,同时联动触发后阶段的组批排产决策,并基于返工干扰的影响范围调整原排产方案。算法核心是基于双层折衷规划模型对批次拖期指数和批次优劣指数两个优化目标进行深度协调。仿真结果表明,与五个类似方法相比,所提算法具有明显的优越性。(2)考虑到前瞻组批决策在全局调度上的局限性和短视性,在前瞻组批算法中加入了针对粗加工工序重排的前工序排序决策机制,构建新的前瞻组批算法。由淬火组批决策指导粗加工工序的加工顺序,改善了组批优化结果。仿真结果表明,与未加入前工序排序决策机制的前瞻组批算法相比,所提算法具有更好的优越性。(3)针对本文所提的两个算法,对比类似算法进行适应性分析。总结出任务到达强度、任务交货期、工件族数量和工件重量差异四个可能影响算法性能的环境因素,通过改变这四个环境因素探究本文所提的两种算法对比其它算法在不同环境下的适应性与局限性。