流水车间批调度问题(flowshopschedulingproblem，FSP)是调度问题中流水车间问题与批调度问题的组合。此类问题与一般流水车间问题的不同之处在于，流水车间中的机器均为批处理机。由于此类问题不光需要将所有工件分成不同的批，还要安排批的加工顺序，因此比普通的置换流水车间问题(permutationflowshopproblem，PFSP)更加复杂。差异工件的分批问题已被证明为NP难题，而机器数量大于2台的流水车间问题也被证明为NP难题，因此流水车间批调度问题在差异工件的情况下也为NP难题。　　 FSP问题是生产调度问题当中一类十分重要的问题，在实际的生产环境中流水车间普遍存在，而其中包含批处理机的情况也很多。一个实际的例子为电子工业的环境应力筛选，整个过程可抽象为一个典型的流水车间批调度问题。环境应力筛选由半导体工业的老化试验发展而来，整个产品需要在用户设定的不同环境下进行测试，每个筛选试验箱可以看作一个批处理机，数量由待测试的装配车间的数量以及特定装备车间的测试数量决定。因此，对FSP问题的研究显得十分必要。　　 流水车间批调度问题目前已经有了一些研究文献，但是研究的方向多为两阶段的情况，即两台机器的情况。其中包括两阶段均为批处理机的研究，也有批处理机与普通机器或者平行机的混合情况。多阶段（即大于两阶段）的情况目前鲜有研究。　　 在总结了FSP问题目前的研究现状的基础上，本论文做了以下主要工作:　　 (1)首先本文介绍了目前生产调度最为通用的描述方式，介绍了调度问题的分类。之后通过介绍计算复杂性的相关知识引出了FSP问题在多阶段情况下的研究特点和难点。对调度问题的研究方法做了梳理和总结。对智能算法中新兴的微粒群算法(particleswarmoptimization，PSO)做了介绍，结合微粒群算法的原理、特点以及参数设置，总结微粒群算法的优缺点并对微粒群算法的改进策略做了思考。　　 (2)研究了流水车间差异工件批调度问题的求解方法，鉴于目前只有小规模工件的研究，尝试了大规模工件下的求解，并将研究重点放在如何优化批的加工方面。在工件分批阶段采用了BestFit(BF)规则生成分批，采用Palmer启发式规则对工件序列做了初始化；在批的加工阶段，由于PSO算法的编码方式十分适合求解多阶段流水车间批调度问题，本文首次尝试了将其应用于批加工阶段，同时选取了NEH启发式规则作对比算法，在仿真实验中对分批算法的改进性能以及NEH(Nawaz，EnscoreandHam)和PSO算法在批加工阶段的性能做了实验分析。　　 (3)在论文的第四章针对PSO算法的不足之处做了进一步改进:在微粒的初始化阶段，对其中的部分微粒采用了NEH算法初始化了部分微粒;为了平衡PSO算法的全局搜索和局部搜索效果，采用了一种自适应惯性权系数(adaptiveinertiaweightfactor,AIWF);在PSO算法更新gbest时引入了变邻域搜索(variableneighborhoodsearch，VNS)来提高算法的局部搜索能力，避免了算法过早收敛的问题。最后通过实验证明了改进PSO算法的有效性。