智能制造在纺织领域的不断发展,智能纺织已成为纺织业升级转型的重要方向之一。目前,纺织业上下游产业链日益透明,企业要想在多品种、小批量和面向订单的生产模式中保持竞争优势,就必须提高自身对资源调度的能力。织造车间是纺织生产的重要环节,调度是织造车间的决策核心。因此,研究织造车间智能调度算法,对于提升织造车间的调度水平、提升企业生产效益、加速纺织业升级转型等具有重要意义。首先,本文分析了织造车间的生产流程和调度特点,总结出织造车间调度的三大难题:大规模调度问题、多目标调度问题和动态调度问题,并以最小化逾期损失、最小化最大完工时间和最小化改车次数为调度目标,建立数学模型。其次,针对织造车间中的大规模调度问题和多目标调度问题,提出了基于NSGAⅡ和神经网络的织造车间静态调度算法（NSGAⅡ-NN125）。该算法由以NN125模型为主体的调度模块和以NSGAⅡ为主体的多目标优化模块组成。通过把优化模块的搜索空间限制在NN125模型有限的参数上,避免了搜索空间随着调度规模增大而指数级膨胀的问题,进而改善大规模调度时智能算法极易陷入局部最优解的难题。仿真结果表明,NSGAⅡ-NN125算法在大规模调度中具有更好的调度性能,相较近视算法与NSGAⅡ＿3算法,其完工时间减少约10%,改车次数减少约50%。此外,NSGAⅡ-NN125算法优化过的NN125模型集合可用于相似问题的调度,调度质量与NSGAⅡ-NN125算法相当,调度速度提高到了50个织轴/s。然后,针对织造车间中的动态调度问题,提出了基于支配关系的动态调度机制。该机制把车间特征信息的变化作为触发条件,保证了该调度机制的灵敏度和覆盖面,同时利用方案目标值的支配关系过滤掉不重要的动态事件,减少不必要的方案变更,提升动态调度的稳定性。最后,基于所提出的NSGAⅡ-NN125算法和动态调度机制开发了织造车间智能调度系统。该系统针对浙江某织造车间的实际生产需求,借助geatpy、numpy、scipy等python开源库,以及Vue、Django、My SQL等web技术,实现了织轴管理、织机管理、静态调度、动态调度、模型库管理等功能。