物流管理和生产计划问题是典型的组合最优化问题，对其有效的求解将有利于合理均衡物流、优化运输路线、提高生产效率和降低生产成本。由于这类问题在理论上多数都属于NP难问题，而实际生产问题需要考虑复杂工艺约束和目标函数，采用最优算法获得问题的最优解是非常困难的。因此，基于智能优化探讨该类问题的近似算法成为近年来研究的热点课题，而单纯依赖一种基本智能优化算法求解更复杂问题，会受到算法本身的局限性制约，影响算法的性能，与其它算法融合或搜索策略改进是将来研究趋势。本文对于智能优化算法的改进进行了基础研究，并针对热轧生产单工序计划、加热炉和热轧集成批量计划、旅行商问题、背包问题、车辆调度等典型组合优化问题进行了应用研究。　　从智能优化算法搜索过程与影响算法性能的要素出发，分别从算法结构、邻域及邻域搜索方法、算法搜索策略方面为研究的切入点。其中，邻域及邻域搜索方法是构成局部搜索的基础。一个较大邻域可能会提供更好的局部最优解，但需要更长的时间搜索邻域，因此，邻域结构的设计与邻域搜索方法的确定需要在解的质量与搜索时间之间权衡。搜索策略是构造算法和实现优化技术的关键，是决定搜索效率的根本。本文从邻域及邻域搜索方法、算法搜索策略、混合搜索策略出发，对一些比较新的智能优化算法进行了改进研究，具体内容概括如下:　　1)邻域及其邻域搜索方法的研究　　(1)提出了自适应环交换邻域，使得当某一种长度类型的环交换不能再改进目标函数时，自动转向其它长度类型的环交换开始进行新的搜索，直到找不到改进的环交换时为止。改进的环交换是通过在辅助图上采用近似动态规划方法通过寻找负费用环实现的。以车辆路径问题为研究对象，通过对OR实例的实验证明，嵌入该邻域及其搜索方法的分散搜索算法(SS)在求解此问题时能有效地改进解的质量。　　(2)提出了一种新型的基于多点交换邻域，其特点在于多个点在多个不同集合中以路径方式移动。以钢铁企业中的加热炉与热轧集成批量计划问题为研究对象，把基于多点交换的邻域结构嵌入到分散搜索算法(SS)中进一步改进解的质量。实验结果表明，在分散搜索算法中加入基于多点交换邻域后，在一定程度上能够扩大搜索空间的范围，从而搜索到更好的近似最优解。　　(3)提出了一种新型基于向导解属性的混合邻域。以旅行商问题为研究对象，基于路径重连算法(PR)思想，设计了从起始解搜索移动的混合邻域结构用于求解该问题。该邻域结构特点是把与向导解属性相关的交换邻域和插入邻域结合起来，使搜索沿着起始解到向导解轨迹移动。实验结果表明，基于向导解属性的混合邻域及其搜索方法在搜索移动过程中能快速把向导解的属性逐步被引入到起始解中，同时又能保证搜索效率。　　2)算法搜索策略的研究　　(1)在用蚁群算法(ACO)解决旅行商问题时，根据蚁群算法构解过程中的选择策略与信息素更新机制，提出了自适应的蚁群优化算法，即通过阈值接收算法(TA)中的阈值控制参数改变蚁群的确定选择与随机选择机会，从而控制了搜索方向。采用这种自适应的蚁群优化算法，以利于对解空间的更有效地进行搜索，从而可以有效地克服基本蚁群算法的不足。同时，在蚁群算法(ACO)中，嵌入路径重连算法(PR)来改进解的质量。实验结果证明了基于线路重连算法(PR)的自适应蚁群算法(ACO)在求解该问题时能快速获得问题的近似最优解。　　(2)在应用局部搜索改进算法过程中，设计了基于阈值接收算法(TA)与邻域相结合的搜索策略。该策略通过采取预先设置阈值控制邻域移动，即只要新解满足阈值控制参数规定的条件时，允许接受一定量质量不高的解移动。以多维背包问题(MDKP)为研究对象，用阈值控制邻域移动使搜索过程能向最优值方向移动，实现全局寻优机制，并把这种搜索策略嵌入到分散搜索算法(SS)中。实验证明了基于阈值接收算法与邻域相结合起来的搜索策略的分散搜索算法(SS)在求解此问题时的有效性。　　3)混合搜索策略的研究　　(1)提出一种基于蚁群算法(ACO)与路径重连算法(PR)的新型混合算法(ACO&PR)。该算法的特点是把路径重连算法(PR)嵌入到蚁群算法(ACO)构解机制中，通过路径重连算法使向导解的属性逐步引进到起始解中，以期望获得质量更高的解。这种混合算法(ACO&PR)在搜索过程中同时考虑解的分散性与解的质量，采用动态更新参考集加速算法收敛。以多选择多维背包问题(MMKP)为研究对象，通过OR实例的实验证明，基于蚁群算法(ACO)与路径重连算法(PR)的混合算法(ACO&PR)能快速有效地解决该问题。　　(2)为了提高分散搜索算法(SS)的性能，设计了基于蚁群算法(ACO)与分散搜索算法(SS)相结合的混合算法。以车辆路径问题(VRP)为研究对象，在分散搜索算法(SS)框架中，采用新型子集组合成新解的构解方法，即把蚁群算法的信息素更新机制与分散搜索的组合机制相结合。蚁群算法(ACO)通过更新组合子集里解的公共边信息素，产生新解，然后用这些新解更新参考集合，以进行新的搜索。混合算法兼有蚁群算法(ACO)较强的构解优势和分散搜索算法(SS)良好的分散搜索特性。同时，把基于自适应的环交换邻域嵌入到分散搜索算法(SS)中扩大搜索范围，从而进一步改进解的质量，通过对OR实例的实验证明，基于自适应环交换邻域的混合算法能快速有效地解决该问题，并且比其它已有的经典算法运行效果好。　　4)改进智能优化算法在实际工业计划与调度应用研究　　(1)针对热轧批计划问题，提出了基于环交换邻域的改进蚁群算法与分散搜索算法。改进算法的特点是根据热轧计划问题，构造了一种基于环交换的限制邻域搜索来改进蚁群算法与分散搜索算法性能。尽管环交换邻域是大规模邻域，通过限制移动的板坯数目使搜索在有限邻域空间进行，采用这种限制邻域搜索能把计算时间降到合理水平。用实际数据验证两种改进算法的有效性。同时开发了以该问题的模型和算法为核心的决策支持系统，该系统具有通用、组件管理功能，便于在其它钢铁行业推广应用。　　(2)针对加热炉与热轧集成批量计划问题，提出了基于蚁群算法(ACO)与分散搜索算法(SS)的混合算法。该混合算法是把蚁群算法(ACO)嵌入到分散搜索算法(SS)框架中，把蚁群算法的信息素更新机制与分散搜索的组合机制相结合，可以快速构成新的解。同时，把基于多点交换的邻域结构嵌入到分散搜索算法(SS)中进一步改进解的质量。通过实际数据实验证明，基于多点交换邻域的混合算法能够有效求解集成批计划问题。基于加热炉与热轧集成批量计划的模型与算法，为其它类型的集成批量计划问题研究提供理论基础。