多目标置换流水车间调度问题(Multi-objective Permutation Flow Shop Scheduling,MPFSP)的本质是在一定的约束条件下行协调优化多个函数目标,该类问题在实际智能制造系统中广泛存在,研究该类问题对提高企业生产效率、降低企业生产成本具有重要意义。MPFSP是一个经典的NP-hard组合优化问题,对该类问题的研究能够对其他类型的组合优化问题的解决提供有效建议。针对多目标置换流水车间调度问题中的三个优化目标:最小化总流程时间、最小化延迟时间、最小化最大完工时间,本文基于萤火虫算法(Firefly algorithm,FA)提出一种混合萤火虫算法(Hybrid Firefly Algorithms,HFA),该混合算法以萤火虫算法为框架,嵌入NEH模型、概率模型、区块挖掘、反复搜索策略等,具体的改善工作如下:第一,在初始化过程中为保证初始种群多样性及提高初始种群的质量,本文采取机器编码及NEH启发式编码相结合的方式对初始种群进行编码初始化。第二,为加快算法的迭代速度,本文通过将工件与工件之间及工件与加工机器之间的信息记录在概率矩阵中。利用概率矩阵中的信息组合区块,并利用区块组合人造解,提高了算法的收敛速度及保留了可行解中的优势解片段。第三,陷入局部最优是很多启发式算法面临的问题。本文借由反复搜索策略进行全局性搜索,用以增加可行解的多样性及提高求解质量。在反复搜索策略中通过设立K指标用以记录目前母体种群中最佳解的更新信息,若指标K超过阈值,改变搜索范围,清空概率矩阵信息,改变原来的累计信息范围,搜索母体种群中不同区域范围内的信息,从而增加了全局搜索能力。为比较算法的求解性能,本文针对Taillard案例以及Reeves案例进行仿真测试,对各个算法求得的非支配解的数量(Number of Pareto solution NPS)、均匀性指标(Spacing metric SM)以及C指标进行比较。通过一系列比较,HFA算法在求解多目标置换流水车间调度问题方面表现出较好的求解性能。