柔性作业车间调度问题（Flexible Job Shop Scheduling Problem,FJSP）是近年来车间调度领域的研究热点。在经典FJSP的研究中,通常不考虑准备时间,或者将准备时间作为加工时间的一部分。但在许多现实的生产环境中,准备时间往往与加工机器和工艺路线相关,故不能忽视或者被当作加工时间的一部分。在实际生产活动中,除加工机器以外,一些昂贵而稀缺的辅助资源（如特种夹具、刀具、维护设备等）也需要进行合理的分配。因此,考虑准备时间的多资源受限柔性作业车间调度问题（Multi-Resource Constrained Flexible Job Shop Scheduling Problem,MRC-FJSP）具有较高的研究价值。本文所做的主要工作如下。首先,以最小化最大完工时间为目标,构建考虑准备时间的FJSP数学模型,并用改进粒子群优化（Improved Particle Swarm Optimization,IPSO）算法进行求解。在IPSO中,给出了一种混合初始化策略,用于获得较高质量的初始种群;研究了基于关键路径的邻域结构（同机器的邻域结构和换机器的邻域结构）,用于提高算法的局部开发能力;使用自适应禁忌搜索算子以避免算法陷入循环搜索。通过对比实验,验证了IPSO算法的优越性。其次,以最小化最大完工时间为目标,建立了考虑准备时间的MRC-FJSP数学模型,并结合考虑准备时间的MRC-FJSP特征,对IPSO算法进行了调整。给出了一种半主动解码与启发式规则相结合的新型解码方式,对原有解空间进行了有效裁剪;研究了一种自适应邻域搜索算子,用于提高算法的局部开发能力;提出了基于随机网络结构的多种群策略,用来提高算法的全局搜索能力。IPSO算法刷新了大多数标准算例的当前最好解,在收敛性和稳定性方面均具有明显优势。然后,以最小化最大完工时间和最小化机器最大负荷为目标,创建了考虑准备时间的多目标MRC-FJSP数学模型,并结合多目标优化基础理论,设计多目标粒子群优化（Multi-Objective Particle Swarm Optimization,MOPSO）算法进行求解。在MOPSO中,引入了外部记忆库,用于存储搜索过程中找到的非支配解;应用快速非支配排序、拥挤距离等方法更新种群,保障了Pareto前沿的收敛性和分布均匀性;提出了面向不同优化目标的邻域结构,用于提高算法的局部开发能力。标准测试算例的求解结果展现了MOPSO算法在各项性能指标上的优越性。最后,总结了本文的主要工作,并展望了今后的研究方向。