随着互联网、物联网、深度学习等技术的发展,制造业正快速朝着数字化、网络化、智能化等方向转型,企业的制造活动范围逐渐从车间环境扩展到网络化的云环境,制造资源需求方及其供应商可以通过云平台进行高效的协作,共同完成多样的制造任务。在云环境下开展制造活动的过程中,所需解决的关键问题之一就是合理调度分布于不同地域规模庞大的制造资源,用以指派复杂多变的制造任务并安排加工处理时段,从而满足供需双方的要求,提升产业链效率。由于云平台支撑的网络化制造面向更广阔的供需时空区间,具有制造资源可用性实时多变、多样的制造任务间受限于网状处理顺序、可行调度空间巨大等复杂特性,增加了作为NP-Hard的调度问题的求解难度。因此,本文研究云平台智能协调的复杂多变系统调度方法,通过云平台主导,协调各供应商分配制造资源并进一步安排制造任务的处理;在满足任务处理顺序、单资源服务容量限制、物流时耗等约束的前提下,快速高效地实现大规模动态云资源的实时调度。针对上述高动态、大规模、复杂多变制造环境的调度问题,本文开展的主要研究工作包括:（1）研究基于云平台协调的云资源服务模式。根据云平台在册制造资源特性以及制造任务处理流程,建立制造资源服务模式。在该服务模式下,对涌现的制造项目任务以最小化服务成本、最小化制造工期、最大化服务质量为目标,建立基于平台协调的调度优化模型,并提出相应的问题求解方法ANNRL。（2）在平台层面上,研究智能分配制造资源的方法。根据云平台上的资源需求方及其供应方协调的过程,制定支持并行处理的可行调度生成方案,将平台任务池中无处理顺序约束冲突的制造任务指派到候选制造资源进行处理。通过人工神经网络模型,预估任务在各候选资源上的制造工期区间范围,并结合服务成本、服务质量对各候选资源进行评价,以此进行制造资源的智能分配。此外,本文通过预测近期任务需求,改进了制造工期预估模型输入中的等待队列要素。（3）在资源供应商层面上,研究智能安排制造任务加工次序的方法。资源供应商将分配所得制造任务列入待处理队列,通过强化学习框架训练自适应优先规则更新模型中的决策智能体,根据资源的任务工作量状态自适应更新调度优先规则,改变待处理队列中各任务的优先级,从而智能安排各制造任务的处理。（4）构建云平台仿真环境,用以评估所提出的智能协调调度方法的性能。根据云资源调度所处的环境特征,构建模拟调度云资源过程的云平台仿真环境,该仿真环境由决策模型训练、算例数据生成及调度方法性能对比评估3大模块组成,可定期执行所含主要决策模型的更新和提升改进。对比实验的结果表明:1)ANNRL方法具有很高的实时响应性能,对于数据组内的项目需求,都可以在40s内制定调度方案,约为参照解法的4.4%,平均每个基本任务调度方案的确定时间都在50ms内,适合高度动态的需求场景;2)ANNRL方法可以求得较好的调度方案,在不同任务规模的项目数据组内得到的调度目标都优于参照解法,说明了ANNRL方法在基于云平台的制造环境中具有潜在的应用价值。（5）基于云平台系统原型,示范集成应用智能协调调度的方法。根据课题组原有云平台以及云资源调度主体的数据模型,扩展和设计支持供需用户协调的云平台系统原型。通过该云平台原型上需求方用户与供应方用户交互协调制造活动的过程,示范说明了智能协调调度方法ANNRL的应用。本文所研究的大规模动态云资源调度问题是多种基于云平台的网络化制造模式所具有的共性问题,所提出的智能协调调度方法ANNRL是共性求解技术,可以进一步扩展应用于更为一般的网络化制造环境。