随着市场经济的快速发展,制造业的生产规模日益增大。实际生产中,各种工艺约束,资源约束,生产能力约束等平行存在,这就需要对生产作业进行合理的调度安排。而一个好的调度安排需要一个好的优化调度算法。此外,现有的研究工作绝大多数要么研究加工的调度要么研究装配的调度,其研究成果在混合生产形态类型的制造业中应用情况并不乐观,究其原因是实际生产企业中情况错综复杂,很少是只有加工形态或只有装配形态,另外还需要考虑实时库存信息,在制品进度信息,车间生产能力信息等各种信息,动态地生成调度计划,其复杂性远远超过了目前研究所使用的国际标准调度问题和现有的一些单一生产形态调度系统。为了解决上述问题,不仅需要一种好的优化算法,还需要一个针对实际车间情况的动态调度方案。本文结合蚁群算法和遗传算法的优点,提出了一种新的动态蚂蚁遗传混合算法。新算法采用最佳融合点评估策略来动态地交叉调用两种算法,并针对其框架设计了相应的信息素更新方法,提高了算法的收敛速度;同时引入迭代调整阀值来控制算法后期的遗传操作和蚂蚁规模,以更快地找到最优解。该算法针对Muth and Thompson基准问题进行了仿真,结果证明了新算法的有效性。同时,针对混合生产形态的制造企业的实际情况,本文设计了一种新的适用于实际车间问题的混合生产形态下的编码方法,并提出了一种关注成本的多目标优化算法模型,相较与传统多目标优化算法只关注生产约束的特点,面向成本的多目标优化算法模型有更高的实用型。针对某工厂的实际问题,运用上述技术,本文着重开发了车间调度模型库系统中的实际车间调度平台,并将新算法嵌入至多目标优化模型中,运用新的编码方法,针对实际问题进行求解,得到的结果是可行的和有效的。