生产调度对提高企业生产效率,减少资源损耗等起着重要的作用。尽管研究人员做了大量关于调度问题的研究工作,提出了许多求解车间调度问题的优化算法,但大部分算法由于求解速度慢难以满足实际生产过程中实时性的要求,而传统的调度规则因其容易计算、易于实施,得到许多企业的青睐。然而,单一的调度规则往往很难得到较优的调度方案,尤其是在动态的生产环境中,单一的调度规则很难适应动态变化的调度环境。因此,如何在可接受的时间范围内,快速得到较优的调度方案从而有效的指导实际生产工作成为了一直以来调度问题研究的热点。当今信息技术的发展使企业在多年的生产实践中积累了大量有价值的与调度有关的经验数据,如何从历史调度数据中挖掘潜在的调度知识,快速有效的指导其他相似加工环境下不同生产任务受到了越来越多研究者的关注。本文研究了基于复杂网络特征的神经网络调度器在作业车间调度问题中的应用,主要有以下研究内容:(1)为了快速有效的求解静态作业车间调度问题,并研究神经网络调度器在作业车间中的性能,本文设计了一种双重BP神经网络调度器。将现有的调度方案用于对神经网络进行训练,生成的神经网络调度器,用于快速有效的求解同规模下新的调度问题。实验表明,生成的调度器求解速度优于现有的智能搜索算法,如遗传算法,其求解效果优于传统规则及已有的同类方法。(2)为了快速有效的求解动态作业车间调度问题,考虑工件动态到达的情况,设计了一种动态作业车间神经网络调度器。为了挖掘出数据中潜在的调度知识,用于快速有效的指导动态作业车间生产过程,采用遗传算法求解静态调度问题,将得到的较优的调度方案转化成训练数据集,对神经网络进行训练,生成调度器。得到的调度器能有效的对任意两个冲突工序进行排序,从而求解动态作业车间调度问题中工件动态达到的调度问题。实验表明,该方法能快速求解动态作业车间调度问题,得到的调度方案优于传统调度规则。(3)针对调度属性对神经网络分类准确率的影响,从而影响最终输出调度方案的性能的问题,提出了一种基于复杂网络建模的调度属性提取方法,该方法通过建立调度问题的复杂网络模型,提取与调度优化目标相关的复杂网络特征作为调度属性,对现有的调度属性进行补充。实验表明,根据复杂网络模型提取的复杂网络特征能有效的反映调度方案的一些潜在信息,这些复杂网络特征能将调度方案有效的转化为训练数据集以训练神经网络调度器,该神经网络调度器分类准确率优于基于传统调度属性的神经网络调度器,且生成的方案优于已有的调度规则。