工艺规划和车间调度是制造系统中非常重要的两个组成部分。工艺规划是零件从设计到加工中重要的一环，它通过确定各个工序的先后加工关系、加工的设备及相关参数来生成可行的加工方案；车间调度是通过合理安排各个工序在机器上的顺序使得某些指标（如最大完工时间）得到优化。当前大多数制造企业中这两个子系统被认为是两个独立的系统。然而，将工艺规划与车间调度问题进行集成能极大地提高制造系统的效率。因此，工艺规划与调度集成（integrated process planning and scheduling, IPPS）问题受到越来越多研究人员的关注。　　传统的作业车间调度是复杂的NP-hard组合优化问题，与工艺规划集成的车间调度更增加了问题的求解难度。至今为止，传统的数学规划方法只能够解决小规模IPPS问题；对规模稍大的问题，启发式算法和元启发式算法能在较短时间获得较优解，成为较好的选择。本文在深入探索与工艺规划集成的调度问题的基础上，建立相应的数学模型，研究单目标、多目标和动态不确定条件下IPPS问题的高效求解方法。　　首先，本文在充分研究已有模型的基础上，首次建立基于网络图的工艺规划与调度集成式问题混合整数线性规划模型。提出一种新颖的基于网络图建模策略，通过引入合适的约束，克服了现有模型的缺陷。为测试模型的正确性，对小规模及大规模基准测试实例进行了测试，实验结果表明提出的模型可以得到正确的调度结果。然而，受到IPPS问题复杂性的影响，对于大规模问题在计算时间上无法令人满意。　　其次，针对问题的复杂性，采用元启发式算法对 IPPS单目标问题进行求解。以最大工期（makespan）最小化为目标，把遗传算法与变邻域搜索（variable neighborhood search, VNS）有机结合以避免算法陷入局部最优，设计一种新颖的混合遗传算法求解IPPS问题。在混合算法中，提出一种新的编码方案及其相应的选择交叉方法，并引入两种高效的邻域结构提高变邻域局部搜索的效率。采用基准测试实例验证提出的算法，获得的最大工期值远优于目前已有文献中的结果。对于 Kim的基准测试实例，在24个问题中有12个得到改进，成为当前最优解，且有17个实例达到理论最优值（下界值）。　　再次，由于在实际生产中多目标问题普遍存在，对多目标IPPS问题进行了研究。针对实际生产常遇到的三个指标：最大工期（makespan）、最大机器载荷（maximum machine workload, MMW）及总机器载荷（total workload of machines, TWM），在单目标算法的基础上，本文设计一种多目标群体智能算法求解 IPPS问题。在提出的多目标群体智能算法中，引入了局部搜索方法以寻求更优的非支配解。不同于其他采用局部搜索的多目标算法，本文提出的局部搜索算法针对三个优化指标逐个进行优化，以获得更优Pareto前沿解。此外，在得到了最优Pareto前沿后，采用TOPSIS方法从一组非支配解中得到最令人满意的解。采用基准测试实例测试了提出的算法，并与NSGA-II算法进行了对比，测试结果验证提出的多目标算法的有效性。　　然后，本文对动态环境下的IPPS问题进行研究。当前，大部分文献中研究的IPPS问题是静态的，即认为所有工件允许加工时间为零时刻。但在实际生产中不确定因素（如工件随机到达）总是存在的。因此，静态 IPPS问题的求解结果很难适应实际生产环境。本文对 IPPS问题的事件驱动再调度及周期性再调度进行了研究。计算结果表明，调度间隔的长度、新到达工件的个数及车间利用率对调度性能有重要的影响。　　最后，在理论研究基础上，开发了集成工艺规划的车间调度原型系统，并在最后一章对全文进行了总结，给出了进一步的研究方向。