综合调度是针对单件复杂产品加工与装配一同处理的调度方法。目前,已有的树状结构复杂产品综合调度算法多为基于规则的启发式解决方案。然而近十几年来,以遗传算法、禁忌搜索算法、教学优化算法等为代表的元启发式算法已成为解决传统生产调度问题的主流算法。综合调度相比于传统的生产调度更为复杂,其工序之间总体约束呈树状结构,导致已有的解决传统生产调度问题的编码方式和进化算子均已失效,进而难以直接应用智能优化算法求解复杂产品综合调度问题。本文针对树状结构复杂产品的综合调度,研究基于智能优化算法的综合调度解决方案,具体的研究内容如下:针对一般综合调度问题,从“工序找设备”的角度出发,提出一种基于工序偏序关系表的复杂产品综合调度算法。该算法首先为树状结构产品建立工序偏序关系表,随后基于该表采用遗传算法对该问题进行求解。为保证初始解的可行性,提出一种新颖的基于动态工序偏序关系表的编码方法;提出两种不同的新的交叉变异方法,以保证种群进化过程中不会产生不可行个体,避免不可行解的检测与修复工作;提出一种简单可行的基于插入的贪婪式解码方法。对比实验结果表明该算法的求解质量优于其他几种对比算法。针对一般综合调度问题,从“设备找工序”的角度出发,提出一种基于混合遗传算法和禁忌搜索的综合调度算法。算法采用遗传算法进行全局搜索,针对遗传算法每次迭代产生的最优解应用基于禁忌搜索的策略进行局部搜索。提出一种基于动态可调度工序集的编码方法,保证同一工序链上的工序满足加工约束;提出两种不同的新的交叉变异方法,对问题解空间进行合理性探索;提出一种基于禁忌搜索算法的局部搜索策略,增大算法获得最优解的概率;提出一种基于设备空闲时刻驱动的解码方法,解决遗传算子导致的不可行染色体问题。对比实验结果表明该算法的求解质量优于其他几种对比算法。针对具有柔性机器选择的树状结构产品综合调度问题,提出一种基于剩余加工时间概率选择编码的柔性综合调度算法。算法基于遗传算法的框架。首先,提出一种基于剩余加工时间概率选择的编码方法,增大初始种群个体的优良性;然后,分别基于工序类型和排列位置,提出两种不同的交叉变异方法,保证子代个体工序链和设备链的合理性;其次,提出一种基于关键工序设备搜索的局部搜索策略,对最优个体关键工序设备进行依次搜索;最后,给出一种简单的基于设备空闲时间段的解码方法。采用以往文献存在的算例和随机生成的算例对算法进行测试,实验结果表明该算法的求解速度和求解质量优于其他几种对比算法。针对树状结构复杂产品在异地分布的多车间的综合调度问题,提出一种基于文化基因算法的分布式综合调度算法。算法基于文化基因算法的框架,利用分布估计算法进行全局搜索,对每次进化所得最优解执行基于关键工序集的局部搜索策略。提出一种基于双链的个体表示方法并给出一种简单的基于插入的贪婪式解码方法;提出一种双概率模型,分别用来描述工序加工优先级以及工序加工工厂的分布情况;基于所设计的概率模型,给出一种基于学习的更新规则以及采样方法;为增强算法的局部搜索能力,提出九种基于关键工序的扰动操作,以对所获得的当前最优解进行局部搜索操作。对比实验结果表明该算法的求解质量优于其他几种对比算法。针对云制造环境下的树状结构复杂产品综合调度问题,提出一种基于差异化学习的改进教学优化算法的综合调度算法。首先,针对树状结构复杂产品中工序的优先加工顺序约束问题,提出一种基于动态可调度工序集的编码方法。然后,采用教学优化算法的框架对该问题进行求解。在教师阶段中,分别提出基于位置和工序的教学方法以生成新的合理可行的学生个体。在学生阶段中,通过划分优秀学生小组,针对不同的个体执行差异化的学习策略。针对优秀学生小组中个体,提出基于关键工序集的自我学习策略和组内互学策略。针对剩余学生个体,提出基于优秀个体信息交流平台的学习策略,使较差个体通过信息交流平台获得知识,避免所学知识单一化的问题。最后,对比实验结果表明该算法的求解质量优于其他几种对比算法。