作业车间生产调度是影响制造企业生产效率的关键因素,一个良好的生产调度系统,能降低企业的生产成本,提高企业的生产效率,是一个制造企业在激烈的竞争中立于不败之地的关键所在,因而近年来,越来越多的国内外学者参与到这个问题的研究当中。作业车间调度问题(Job-Shop Scheduling Problem,JSP)是由普通的生产调度问题经过一系列约束条件的限制演化而来的典型的组合优化问题。对于车间调度问题的求解,现在主要以人工智能算法为主,而单一的算法也很难以求得问题的最优解,利用混合进化算法对车间调度问题进行求解是目前研究的热点。粒子群算法是应用最为广泛的群体寻优算法之一,它具有操作简单,收敛速度快等诸多优点,被广泛应用于解决组合优化问题。本文针对粒子群算法的改进及其在车间调度中的应用进行研究,研究的主要内容包括如下的几个方面:首先,介绍了车间调度问题的发展,国内外学者在此问题方面的一些研究方法和研究成果,以及仍然存在的问题;详细阐述了粒子群算法的基本原理及在车间调度问题中的应用。其次,根据粒子群算法和车间调度问题的特点,对粒子群算法进行了改进,把遗传算法(GA)的交叉操作用于种群的更新,形成了离散的粒子群算法(DPSO);并对DPSO算法进行了改进,引入局部搜索算法,使得算法可以在局部范围内实现精确搜索,增加额外的信息参考点,提高了算法在全局范围内搜索最优解的概率,形成了混合的粒子群算法(GSPSO)。再次,把GSPSO算法用于求解作业车间静态调度问题。采用车间调度问题标准算例对混合粒子群算法的收敛速度进行了验证,与其他算法进行比较,证明了算法具有较好的收敛速度。并把混合算法用于解决其他一些车间调度问题,仿真结果表明该算法在求解车间调度问题上与其他类似算法相比具有一定竞争力。最后,对动态车间调度问题进行了研究,采用滚动窗口技术和基于事件驱动的调度策略,考虑实际生产环境中新增紧急订单、订单取消与机器故障等常见动态事件发生的情况,并对其进行具体的分析;利用GSPSO算法对其进行仿真实验,把仿真结果与混合蚁群算法进行比较,结果表明GSPSO算法能很好的处理调度过程中发生的动态事件。