批量流柔性作业车间调度问题（Lot Streaming Flexible Job Shop Scheduling Problem,LSFJSP）是柔性作业车间调度问题（Flexible Job Shop Scheduling Problem,FJSP）的拓展,在原问题上增加了批量流的处理方法,更符合实际企业的多品种中等批量生产模式,具有重要的研究和应用价值。本文分别考虑了等量一致分批的LSFJSP、等量不一致分批的LSFJSP以及多目标优化下的LSFJSP,设计了改进的人工蜂群算法（Improved Artificial Bee Colony Algorithm,IABC）。首先,对批量流柔性作业车间调度问题进行了详细的问题描述。简介了四种不同的LSFJSP分批模式及其overlap（重叠）特点;介绍了核心求解方法人工蜂群算法的基本理论和算法流程;描述了改进人工蜂群算法求解LSFJSP的基本框架。其次,针对等量一致分批的LSFJSP（Equal Consistent Lot Streaming Flexible Job Shop Scheduling Problem,ECLS＿FJSP）,设计了EC-ABC算法进行求解。建立了以最小化最大完工时间为目标的ECLS＿FJSP数学模型;针对ECLS＿FJSP的离散特性,设计了双层编码方式、合适的初始化策略以及种群进化引导方案,采用Levy飞行进行全局搜索。通过与其他算法的数值实验对比,验证了EC-ABC在收敛速度和求解效果方面都有较大提升。接着,针对等量不一致分批的LSFJSP（Equal Inconsistent Lot Streaming Flexible Job Shop Scheduling Problem,EILS＿FJSP）,设计了EI-ABC算法进行求解。建立了以最小化最大完工时间为目标的EILS＿FJSP数学模型;设计了一种双层编码方案,并提出了高效的不一致分批主动解码方案、蜂群交流引导机制以及二分迭代探测方法等以提高算法搜索能力。通过与其他算法的数值实验对比,验证了EI-ABC有更快的收敛速度和更优的求解效果。然后,针对批量流柔性作业车间多目标生产调度问题,设计了MOABC算法进行求解。考虑了最小化最大完工时间和最小化最大机器负载这两个优化目标,建立数学模型;在IABC和Pareto优化理论的基础上,通过引入精英保留策略、非支配排序策略和拥挤距离算法提高MOABC的局部搜索能力,并设计了多级支配等级下的小种群交叉引导机制提高算法的性能。通过与其他算法的数值实验对比,验证了MOABC在收敛速度和求解效果方面都具有明显优势。最后,总结了本文对于LSFJSP的主要研究工作,并对未来的研究方向进行展望。