混合流水车间具有多道工序、多个加工工位、并且至少有一道工序具有多个并行工位，加工过程存在多条工艺路线，不同工位加工工时又存在差异，这些因素使得混合流水车间排产问题较一般排产问题复杂。装配型生产线以及串并型结构的批制造过程(Batch Process)都是典型的混合流水车间，涉及汽车生产、半导体封装、大型装备制造等诸多国民经济的关键行业。这类生产车间具有工艺复杂、制造过程耦合紧密、各生产环节受到时序约束等特点，对生产管控提出了更高要求。车间级排产作为制造执行系统的重要部分，目前在解决混合流水车间排产问题时，难以同时满足多个优化目标需求，评价指标体系不够完善，排产算法的优化效果不够理想等问题，导致排产结果不能有效地指导这类车间的生产运作过程，所以研究混合流水车间排产优化问题具有重要的理论意义和实际应用价值。　　本文针对混合流水车间的排产优化问题，从建立混合流水车间数学规划模型入手，分析混合流水车间动态运行规律，然后从混合流水车间排产优化问题的优化方法和优化目标两个方面进行深入研究。在优化方法方面，通过研究初始种群的构建方法和改进群体智能优化算法，来找到更好的求解混合流水车间排产优化问题的方法。在优化目标方面，分析多个具有混合流水车间特点的优化目标，建立评价指标体系，并分析比较多种群体智能算法针对不同优化目标的排产优化效果。在此基础上研究了混合流水车间多目标优化问题，从多方面改进多目标优化算法，进一步增强混合流水车间排产优化方法的实用性和有效性。　　本文主要工作分为以下几个方面:　　(1)建立混合流水车间排产优化的数学规划模型，其涵盖了混合流水车间中的工位、工序、流程等对象，也包括了这些对象之间的约束关系。建立反映生产过程的事件模型，而排产过程又是对生产过程的一种模拟，在事件模型中研究随时间变化的生产状态迁移的影响和工序对排产过程的拉动作用，进而更深入解析混合流水车间的排产过程。　　(2)建立初始种群是群体智能进化算法解决混合流水车间排产优化问题的关键。本文中提出的多种初始种群构造方法都是基于工序变工位的初始种群建立方法，将基于分布概率的初始种群构造方法与基于优化目标的初始种群构造方法相结合，提出了基于联合选择概率的初始种群构造方法。该方法能够反映优化目标的特点，控制种群中个体在基因片段上的分布性。并通过基于信息熵的方法控制种群中个体在解空间上的分布性。综上所述，为了达到提高初始种群中生成个体的质量和提高生成个体在解空间的分布性的目的，提出基于信息熵的联合选择概率初始种群构造方法。　　(3)提出一种动态双种群自适应差分进化算法(DDPSADE)用于求解混合流水车间排产优化问题。该算法在标准差分进化算法基础上，利用全新的双种群独立进化与交流进化机制，既可以巩固优秀个体的进化趋势，也能够增强进化的活力;利用重新设计的自适应改变进化算法参数的方法，在进化过程中加入扰动，增强跃出局部极值的能力;利用加入动态更新高相似性个体的方法，来减少冗余运算和扩大解空间的搜索区域，从而达到全面提高优化效果的目的。并通过与遗传算法(GA)、粒子群算法(PSO)、差分进化算法(DE)、粒子群和差分进化混合算法(PSDEHA)等多种算法的对比分析来验证该算法的优化性能。　　(4)针对单目标排产优化问题，首先分析和描述这些混合流水车间排产优化目标，建立评价指标体系，评价分析上述各种群体进化算法在求解混合流水车间排产优化问题的效果。在系统的研究单目标问题基础上，进一步研究混合流水车间的多目标排产优化问题，通过分析NSGA-Ⅱ算法，将求解多目标优化问题归结为6个主要环节，分别进行改进和探索，特别是在分布性方面，首次提出采用了AP聚类方法进行分布性研究，在进化计算部分，也提出多目标动态自适应差分进化算法，通过采用基于AP聚类的多目标动态自适应差分进化算法有效提高混合流水车间多目标排产优化效果。　　(5)开发混合流水车间排产优化仿真平台，设计的系统架构能够满足面向网络化应用的需求，重点研究生产线动态建模、排产优化驱动引擎和企业消息总线三个部分。