本文针对离散制造调度中的一类组合优化问题，提出了基于模型对偶信息的协同优化算法，取得的创新研究成果具体如下：　　（1）针对一类成本驱动的Jobshop调度问题，提出了基于分散搜索算法(SS)和模拟退火算法(SA)的协同优化算法。在成本驱动的JSP模型中，包括产品切换成本、在切换过程中的设备空闲损失成本和提前/拖期惩罚成本，该问题为复杂非线性规划问题，经典数学方法很难求解，因此，提出了具有互补特性的SS和SA协同优化算法。该算法通过整合SS算法的全局搜索能力和SA算法的局部搜索能力来求解复杂问题，首先基于SS算法在整个解空间进行大规模的搜索，然后利用SA算法进行局部寻优。基于Benchmark问题的仿真结果说明该算法的有效性。　　（2）针对一类非对称旅行商问题（ATSP），提出了基于分派模型（AP）对偶信息的协同蚁群优化算法（ACO）。该算法首先通过对AP对偶问题的分析，将获得的对偶信息用于指导ACO算法的搜索，其次根据ACO信息素矩阵的更新机理推导出算法的终止条件，从而提升整体算法的搜索效率。分析表明：剩余成本（Residual Cost）小的弧比成本小的弧更有可能出现在最优解之中，并据此设计了基于剩余成本的ACO转移概率公式。该公式可以鉴别出非最优弧，并在后续的搜索中将这些弧排除在外。基于Benchmark问题与随机生成问题的仿真结果充分说明该算法的优越性。　　（3）针对一类动态瓶颈下的批量与调度集成优化问题，提出了基于网络流模型对偶信息的分层协同优化优算法。首先，根据规则和聚类策略，通过定义有效产品集将动态瓶颈问题转化为静态瓶颈问题；其次，通过Relax-and-Fix策略，将静态瓶颈问题分解成一系列最小网络流问题（MCNFP），并据此设计了分层协同优化算法。该算法分为两层，上层对Relax后的问题进行大范围的搜索，迅速排除劣解或不可行解；下层Fix上层优化结果，基于网络流算法及其模型对偶信息，进行后续优化，上、下层不断迭代，直至满足终止条件。基于实际生产数据的仿真结果说明该算法的实用性。　　本文所研究、设计的协同优化算法可为优化生产制造物流水平，提高生产作业计划与调度的效率和质量提供技术支持。