生产作业计划调度是先进制造系统管理技术的重要组成部分。其车间生产作业计划具有Job-shop排序模型的特性，但应用背景大部分不符合经典Job-shop排序模型的若干基本假设。Job-shop排序被证明是NP-Hard问题。在提高计算效率和改善优势竞争比之间寻求两者兼顾的实用方法，已经成为作业排程优化研究的瓶颈。研究一般性复杂JSP的建模和优化算法具有重要的理论意义和应用价值。 本文针对一般性复杂JOb-shop排序模型的特性，构造寻求J‖C<,max>模型满意解的实用性通用优化算法。在比较Job-shop排序模型常用优化算法的基础上，指出经典JSP前提假设的局限性和实际应用中的不合理性。结合多品种、小批量生产现场情况，松驰经典排程基本假设，拓宽工序的概念，建立相应的工序网络图式模型。详细论述人工神经网络推理机理论基础、框架结构和运行机制。根据工序特征编制整体优化调度排序方案。将粒子群算法应用于人工神经网络无导师学习，使得神经网络推理机可以在线识别、动态学习和实时记忆调度推理规则。将模拟退火、进化变异策略、可变惯性因子与强化学习机制思想方法等杂合，总体上提高了算法的收敛速度和精度。并用Benchmark算例测试本文算法的性能，运用正交试验法优选算法参数，以提高排序效率和优势竞争比。特别地，为了增强模型及其算法的适应性，运用变精度粗糙集方法筛选评估拟耽搁排序的风险指标，构造具有工序风险评估的柔性耽搁的排序方法。考虑JSP的应用环境的动态性，设计排序模型及其算法的应用柔性化方案：引入Agent思想，依托神经网络推理机架构，通过算法结构的设计，改善自学习、自适应的能力和系统柔性。 由于工序网络比关系时间矩阵表示法具有更强的模型表现能力，本文算法适用范围可拓宽至具有多类机器，每类有多台平行机，且工艺路线存在批量重组等一般性复杂JSP。本文算法依据只是工序的特征簇，工序特征之间的地位是平等的，无先后优先顺序、无逻辑冲突，规避了启发式规则的选择和运用顺序的设计难点，而且是从全局优化的视角来消解资源耗用的冲突。用户完全可以根据实际应用情况，增减任何工序特征，这种特征扩展只影响神经网络输入单元的数目，并不影响神经网络其它拓扑结构。推理准则被隐含在神经网络推理机中。经标准算例验证，本文算法比经典的启发式算法具有更强的全局搜索能力和自适应能力，明显改善了优势竞争比。本文算法的解算能力不受限于神经网络的拓扑结构，适用于求解大规模复杂Job-shop排序问题，实际应用前景良好。