车间调度的研究不但具有重要的理论价值而且具有实用意义。本文研究了智能制造系统的多目标车间调度问题，主要工作如下： 将双向调度方法嵌入到遗传算法中，得到了一种新调度算法。算法中关键零件采用反向调度，尽可能地满足交货期要求；一般零件采用前向调度方法，利用剩余的车间资源，尽可能早完工。通过遗传算法的全局搜索，得到最佳的调度结果。仿真结果表明该算法是可行的，在生产中有一定的优越性。 将神经网络和遗传算法相结合，研究了生产周期与生产费用双目标调度问题。仿真表明，通过神经网络对不同情况下的数据进行学习，就可以得到反映不同生产率和生产成本要求的最优调度方案。 研究了多资源多工艺多目标的作业调度优化问题，提出了一种产生活动调度的启发式算法。该算法能够较快地得到“FT10”的最优解。验算了23个经典调度问题，得到的结果优于国外学者的结果。 研究了批量作业调度问题，提出了批量调度算法。算法中采用了三种提高生产率的策略。建立了多资源多工艺多目标的动态调度模型，提出了动态调度算法。采用基于周期和事件驱动的调度策略，使调度算法及时响应状态的变化。仿真结果表明了上述算法的可行性和优越性。 本课题的研究受到国家自然科学基金重大项目“支持产品创新的先进制造技术中的若干基础性研究”(项目编号：59990470)的支持，课题的研究已经通过国防科工委的专家鉴定。专家认为：“研究成果具有开创性，整个研究成果属于国际先进水平，根据查新报告，其中多工艺多资源的动态优化生产调度技术属于国际首创”。