随着社会经济和科技的快速发展,调度问题的重要性日趋明显,同时,人们对调度方案可行性和高效性的重视程度也越来越高。其中,应急资源调度问题和作业车间调度问题受到广泛的关注和研究。然而,现有研究仍然存在着一定的局限性,例如调度模型考虑的因素和优化目标不够全面等,从而难以很好地满足实际应用需求。为了进一步缩小该研究领域的空缺,本文从模型和算法两个方面对应急资源调度问题和作业车间调度问题展开深入研究,分别从实际应用需求出发,将其建模为多目标优化问题和超多目标优化问题,并设计基于多种群协同的多目标和超多目标进化算法进行高效的求解。在应急资源调度问题方面,本文同时考虑救援者与灾区人民这两个不同的需求,构建一个兼顾成本目标和满意度目标的多目标模型,该模型涉及了多个救援点和多种物资。为了求解构建的多目标模型,本文提出采用著名的多种群协同进化粒子群优化算法。具体来说,基于多种群多目标框架,多种群协同进化粒子群优化算法使用两个种群分别优化成本目标和满意度目标,并通过一个共享的档案存储两个种群中的精英解,以引导多种群协同进化。仿真实验采用了不同规模的测试实例。实验结果验证了多种群协同进化粒子群优化算法在求解多目标应急资源调度问题上的有效性和高效性。在作业车间调度问题方面,本文提出了一个考虑最大完成时间、总延迟时间、提前完成时间、生产成本和机器损耗等五个目标的超多目标作业车间调度模型,该模型能够从工作效率与运营成本的角度较为全面地反映出工厂的多种需求,实用性更强。为了同时优化这五个目标,本文提出了一种基于多种群多目标框架的遗传算法。首先,该算法采用五个种群分别对五个目标进行优化。其次,为了避免每个种群局限于优化其对应的单个目标,本文提出了一种档案共享技术来存储从五个种群中收集到的精英解,确保五个种群能够从档案中获得其他目标的优化信息,从而搜索到整个帕累托前沿。最后,本文提出了一种档案更新策略,以进一步提高档案中解的质量。实验采用了广泛使用的测试实例来评价该算法的性能。实验结果表明,多种群多目标遗传算法在大多数测试实例上的收敛性和多样性都优于其他四种先进的算法。