批量流（Lot-streaming,LS）是一种提高生产效率的有效手段,能够缩短机器的空闲时间,减少工件的囤积,加快工件的加工速度。混合流水车间调度（Hybrid Flowshop Scheduling,HFS）问题广泛应用于多品种小规模生产企业的生产过程中。与传统的HFS问题不同,批量流混合流水车间调度（Hybrid Flowshop Scheduling Problem with Lot-streaming,HLFS）问题不仅需要考虑工件的加工安排和原材料的合理分配,而且还要考虑对工件进行适当的分割。因此,批量流混合流水车间调度问题比混合流水车间调度问题更复杂,在该问题的基础上考虑动态约束问题并对其进行优化也就更加困难。近几十年来,学者们通过观察自然界常见的各种生物行为和物理现象,提出了多种元启发式算法。为生产调度问题的研究提供了新的思路。候鸟优化（Migrating birds optimization,MBO）算法是一种新颖、高效的基于邻域搜索技术的元启发式算法,因为算法结构简单、鲁棒性高、收敛性好等特点,受到诸多专家学者的研究与关注。算法通过模拟候鸟迁徙过程中的V字形编队以减少能量损耗的行为来进行优化。本文根据批量流混合流水车间调度问题的特点,采用排列的编码方式。为了更合理地安排同时到达下一阶段的工件,引入了最短等待时间（Shortest Waiting Time,SWT）规则。为了确保算法的求解质量和收敛速度,采用交换、插入和贪婪算法构造个体的混合邻域。并在此基础上设计了相应的局部搜索方法以增强算法的局部搜索能力。为了避免陷入局部最优,在算法中加入重置机制。通过仿真实验证明了所提算法对该问题的解决更有效。此外,考虑实际生产调度中出现的动态约束问题。针对动态环境中机器故障下的批量流混合流水车间调度（Hybrid Flowshop Scheduling Problem with Lot-streaming of Random Breakdown,RBHLFS）问题,把机器故障问题分为以下两种情况:一类为机器故障中断后继续加工,另一类为机器故障中断后重新加工。并详细分析不同时间发生故障的解决方法,提出一种求解机器故障下的批量流混合流水车间调度问题的改进候鸟优化算法。通过仿真实验证明该算法在两种情况下都有较好的性能。