车间通常是研究制造资源配置、生产优化调度和制造系统管控的最小物化单位。结合制造物联网(InternetofManufacturingThings,IoMT)和多代理(Agent)技术可以实现无需人工干预下的设备与设备之间的交互,从而使整个车间系统中的设备具备了自感知、自决策、自执行和协作执行复杂任务的能力。车间工艺路线柔性化是解决车间需求多变且生产执行不稳定难题的一条有效途径。基于非线性集成工艺规划和车间调度思想,提出了分层多目标优化的方法,在求解工艺路线的优化问题时提出了基于Dijkstra工艺路线规划方法;在机器分配问题和工序调度问题求解阶段,提出了基于Petri网和蚁群优化(AntColonyOptimization,ACO)的车间调度算法PN-ACO。为了检验PN-ACO算法求解车间调度问题的性能,对典型算例进行测试。选择柔性作业车间调度问题(Flexiblejob-shopschedulingproblem,FJSP)标准算例进行了对比试验。对比试验的结果显示了PN-ACO算法在求解FJSP问题时结果的优越性,同时也证明了所提出的启发式函数η_(gh)有效性和搜索机制的高效性。安防件制造系统调度实例验证了提出的柔性工艺路线车间调度问题求解方法的可行性与高效性。以某列车车轴加工车间的月生产调度优化为工程实例,结果显示加工总时长为26.3天,比原计划缩短了12.3%,从而证明PN-ACO算法的工程应用能力。鲁棒性和稳定性是异常事件扰动下动态车间重调度的两个重要指标,通常很难确定两者重要性,目前常采用权重法,求解时需要大量的权重优选实验。提出了非合作动态博弈的动态调度方法,实现了多目标权重难以确定的动态调度问题的求解。提出了滚动窗口重调度驱动策略,解决了重调度阶段较多情况下博弈方法失效问题以及频繁重调度问题。在对比试验中,提出的滚动窗口重调度机制和非合作动态博弈方法相结合(Hybridalgorithmcombininggametheoryandscrollwindow,HGW)的动态车间调度方法得到的重调度的结果相比较预调度而言没有显著的增加,相对误差指标RD为11.33%和原点矩指标MID13.74均优于对比方法。可以证明提出的HGW方法在解决动态车间调度问题的高效性。提出的HGW方法实现了重调度方案波动对IoMT下车间运行稳定性破环问题的解决。针对目前很难解决的不完备信息扰动(扰动发生时刻、扰动结束时刻和扰动频次不确定)下扰动恢复问题,利用时间自动机实时监测扰动事件,并提出了基于虚拟队列控制的车间调度方法,在决策时间点,计算异常事件对车间系统造成的偏差,如果达到阈值则触发调整虚拟队列,保证系统的总运行时间不会进一步恶化,从而实现扰动信息不完备情况下车间的自适应调度,同时也解决了IoMT下的多Agent方法利用实时信息和在制造执行阶段的应用的难题。通过工程实例可知自适应调度方法简化了车间动态调度控制中的规则系统,使得对车间的调度控制更易于实现。原型系统的开发规范了IoMT的业务流程,并为更复杂的智能制造系统设计提供了较为真实的设计参数辅助。