群体智能算法是一种基于生物群体行为的启发式算法,即群体表现出来的复杂行为是简单个体在交互过程中凸显的智能。群体智能算法简单易实现并且具有良好的鲁棒性,因此可以用于各种复杂组合优化问题的求解。车间调度问题是对工厂加工任务进行合理分配,使其在满足一定限制条件的情况下达到所设定生产目标的过程,被认为是最复杂的组合优化问题之一。因此本文主要对群体智能算法中的粒子群算法进行深入研究,并将其应用于车间调度问题中,研究算法性能,主要研究内容如下:（1）在粒子群算法基础上提出一种自适应参数变化的粒子群优化算法（Particle Swarm Optimization Algorithm for Adaptive Parameter Change,ACPSO）。该算法中惯性权重和学习因子均采用非线性自适应调整的方式,合适的惯性权重和学习因子调整策略能够使算法具有与寻优阶段相匹配的开发和探索能力,避免算法过早收敛。由ACPSO算法在CEC2013数据集上的对比实验结果可知,算法在面对函数优化问题时表现出良好的性能,并且可以获得较好的寻优精度。（2）为进一步提高粒子群算法的收敛速度,增强算法在迭代后期的搜索能力,提出一种改进的禁忌粒子群算法TIPSO。算法将基于位置相似度的禁忌策略和粒子群优化算法结合起来,并在此基础上引入了扰动因子。在标准数据集上的寻优结果表明,该算法具有较好的收敛效果,能够及时跳出局部极小值,并且在面对多维复杂函数时依旧有出色的表现。（3）研究了柔性流水车间调度问题,本文以最大完工时间最小化为目标来求解该车间调度问题。最后,本文将优化算法应用到柔性流水车间调度问题中,通过与另外两种算法的仿真对比实验验证了算法的实用性和有效性。