随着人们对服装时尚需求的提高,服装行业的竞争也愈演愈烈。近些年来,快时尚的兴起,进一步缩短了服装流行周期,迫使服装企业从原本的大规模备货型生产方式向小批量订单型生产方式转型,并要求以更快的速度完成订单任务。作为我国典型的劳动密集型企业之一,服装企业的生产周期在很大程度上都由工人生产效率所决定。然而,服装行业的劳动强度大且对专业要求高,致使部分新生力量不愿意加入该行业,人力资源极为珍贵。随着劳动力成本的不断上升,服装企业开始意识到合理利用已有人力资源的重要性。以上种种都对服装企业生产管理水平提出了更高的要求,迫使生产管理模式由依赖人为调度朝引进智能生产调度机制转变。合理的人力资源调度能够进一步缩短生产周期,具有重要的现实意义和实用价值。首先,本文通过分析服装企业吊挂系统的生产模式,在宏观上将其简化为一条流水线。在此基础上,本文考虑了单一生产模型,即所有工人在各道工序上的生产效率一致。接着明确优化目标以及约束条件,建立服装车间人力资源调度模型。为求解该数学模型,本文提出了一种贪心算法来得到最优排工方案,并进行了最优解证明。其次,本文将工人工序技能以及熟练程度的多样性考虑到生产模型中。为简便计算,以矩阵形式来表示工人工作状态以及熟练程度,并根据优化目标以及约束条件建立纯整数非线性规划模型。为求解该数学模型,本文结合遗传算法以及藤壶交配算法提出了一种混合算法:自编码藤壶交配算法（Self-encoding Barnacle Mating Optimizer,SBMO）。为解决算法陷入局部最优的问题,本文基于产线平衡思想和藤壶交配算法特征设计了一种新的变异算子以及邻域搜索算法。为验证所提算法的有效性,将其与改进的自适应遗传算法以及多目标鲸群算法进行对比实验。在30个随机生成的算例上的实验结果表明,所提算法具有更好的寻优能力、更强的鲁棒性以及更高的计算效率。为进一步验证SBMO的性能,本文还将其与Lingo所得最优解在杭州某服装厂的实例上进行对比实验,结果表明SBMO能获得符合实际生产情况的排工方案。最后,为了使研究模型更接近于实际生产场景,本文将工人的动态行为,即工人请假以及返工也考虑到生产模型中。为尽可能减少调整工人岗位带来的额外时间成本,本文采用微调部分工人岗位的方式来解决该问题,并基于该方案以最小化生产衣服以及调整工人岗位所耗费的总时间为优化目标建立数学模型。随后,基于SBMO设计新的编码方案、子代生成方式以及邻域搜索算法并提出三阶段编码藤壶交配算法来解决该问题。通过大量的仿真实验表明,所提算法能够获得更优的调度方案。