本文取得的主要研究成果有： (1)分析了量子粒子群算法(QPSO)的特点,提出了改进的量子粒子群优化算法(IQPSO),并给出量子编码、解空间变换、粒子状态更新、量子变异等实现的具体操作和算法流程。为了进一步改善IQPSO的优化性能,将协同进化思想与IQPSO结合,提出了并行协同进化量子粒子群算法(CQPSO);并基于PSO算法的信息交流机制,定义了三种新的旋转角更新策略。数值仿真实验验证了三种旋转角更新策略的有效性,比较了QPSO算法、IQPSO算法和CQPSO算法的寻优能力。实验结果表明IQPSO算法和CQPSO算法具有良好的优化性能。 (2)针对单周期需求不确定条件下多目的间歇过程短期生产调度问题,考虑确定的加工工艺、物料平衡、库存、产量不足等约束,建立了基于事件点的MILP模型,采用CQPSO算法和改进的遗传算法(IGA)求解。目标函数为最大化总生产利润或最小总完工时间。当目标为最大化总生产利润时,通过调节权重因子可以权衡最大总生产利润和最大完成追加订单量两类目标,以得出最优决策。仿真结果表明CQPSO算法在收敛速度和目标值上均优化IGA算法,但CQPSO的求解时间较IGA算法长；追加订单事件发生的时间越晚,总完工时间越大。另外,仿真实验确定了最大总生产利润和最大完成追加订单量在最佳均衡点时权重因子的取值。 (3)深入研究了多周期需求不确定条件下多目的间歇过程的短期调度问题,建立了二阶段随机规划模型(TSM),采用改进的协同进化遗传算法(MCEGA)求解。优化目标是在给定的满足单产品或多产品需求的概率最低边界的条件下,使期望利润最大化。TSM模型不仅适用于不确定需求的相关性问题,而且能处理多个加工模式下的间歇过程调度。仿真结果表明TSM模型在目标值、计算时间等方面均优于近似的确定模型(DM);随着惩罚参数值的增大,满足产品需求的概率提高；当满足单个产品需求的概率目标α(),m在[0.5,09]时,概率目标约束起作用,能保证所有资源在生产过程中有效。 (4)针对确定的多产品单阶段间歇过程短期调度问题,考虑订单发布时间、交货期、禁止生产子序列和设备准备时间等生产约束,建立了基于连续时间表达的MILP模型,并采用改进的粒子群(IPSO)算法求解。在此模型基础上,深入研究了设备失效情况下具有并行设备的单阶段多产品间歇过程重调度问题。考虑当前调度方案、现有设备的状态、将要加工批次的更新等信息,建立目标函数为最小化所有订单的提前/拖期完工时间的重调度模型,并采用提出的重调度算法求解。仿真实验重点考察多个重调度操作并行执行时的计算代价和MILP重调度方法对非最优解的改进效果。结果表明并行执行多个重调度操作不仅减少了0-1变量、连续变量的个数,有效地减小了模型规模,而且在合理的计算时间内显著改进解的质量。 (5)分析了生产调度问题期望值模型的鲁棒性能。基于机会约束规划的思想,提出新的鲁棒性约束,使加入此鲁棒性约束的改进期望值模型的解空间收缩,从而满足一定的鲁棒性要求。与基于随机模拟的机会约束规划相比,加入鲁棒约束的期望值模型不仅可以保证解和模型更高的鲁棒性,而且计算速度大大提高,同时弥补了已有鲁棒优化方法不能充分利用概率信息,以及无法处理右端参数变化的不足。研究了不确定参数服从已知概率分布的MILP问题,提出一种鲁棒优化方法。该方法对于目标函数中系数的不确定、线性不等式约束的系数和右边参数的不确定均能得到较好的鲁棒解。将提出的鲁棒优化方法应用于处理时间不确定和市场需求不确定条件下的间歇过程短期生产调度问题,建立了相应的鲁棒调度模型。仿真结果显示提出的鲁棒优化方法在目标值、计算时间等性能降低不大的情况下,保证了解的鲁棒性。