随着德国工业4.0、中国制造2025计划的推进，个性化、定制化、柔性生产模式成为制造企业发展的主流方向。传统作业车间由于机器不具备柔性，不能适应当今制造业更灵活的生产模式。而在柔性生产模式下，机器允许以更柔性的方式加工不同的工序，这样便产生了柔性作业车间调度问题（Flexible job shop scheduling problem，简称FJSP）。由于在FJSP中机器具备柔性的特点使得问题的复杂度得到极大提高，给问题求解带来了困难，所以对FJSP的求解进行深入研究无论是在实际生产应用价值方面还是理论研究方面都具有重要意义。
　　目前，主要使用粒子群算法和蚁群算法对FJSP进行求解，但是这两种智能优化方法都存在易于陷入局部极值的缺点，本文根据蚁群和粒子群算法存在的缺点进行改进，以此来改善算法求解性能。主要工作与创新点如下:
　　由于信息素取值的大小会影响算法的全局收敛能力和收敛速度，本文提出一种信息素自适应改变的更新方式，并用于求解FJSP对改进算法进行性能验证。实验结果表明，改进后蚁群算法无论是在全局搜索能力还是在收敛速度上性能都得到很大提升，并且分别在具有18工序的6×6FJSP和30工序的10×10FJSP上，性能各提高了16％和15.7％。
　　由于基本粒子群算法中探索能力与开发能力之间的不平衡，导致算法易于早熟收敛的缺点，提出一种时变线性递减的惯性权重改进粒子群算法，并用于求解FJSP。实验结果表明，改进算法能很好的避免陷入早熟收敛问题，并且分别在具有18工序的6×6FJSP和30工序的10×10FJSP两个标准测试实例上，性能各提高了15.7％和12.8％。
　　单一群智能优化方法在求解如FJSP这类复杂问题时往往性能较差，本文提出一种先用蚁群算法确定最佳工艺路线，再由粒子群算法确定最佳调度方案的两阶段改进蚁群粒子群混合算法，并用于求解FJSP。实验结果表明，改进后混合算法比未改进蚁群算法、未改进粒子群算法，分别在具有18工序的6×6FJSP和30工序的10×10FJSP两个标准测试实例上，性能各提高了32.0％、33.7％和32.9％、33.3％。
　　虽然上述改进算法只是在18工序的6×6FJSP和30工序的10×10FJSP两个标准测试实例上进行验证，对于其它FJSP问题同样表现了良好的性能，说明本文改进的算法能够满足当今制造业的智能化、个性化、柔性的生产模式，具有重要应用价值。