混合流水车间(Hybrid Flow Shop，HFS)调度问题是经典的流水车间调度问题和平行机调度问题的扩展与结合，普遍存在于如钢铁、石油化工、电子、纺织等流程工业和柔性制造环境，甚至存在于如土木工程、网络服务体系、集装箱装卸系统等非制造领域的管理工作中。本文围绕HFS调度问题探讨基于遗传算法的HFS调度方法及在钢铁生产中的应用，其主要研究内容和创新点如下：　　 (1)针对以最小化makespan为目标的HFS调度问题定义了逆序变换，在理论上证明了原问题及其逆序问题的等价性；开发了将活动调度技术与遗传算法相结合的正序调度方法。在这些成果的基础上，提出了一种逆序调度方法。仿真实验的计算结果表明，如果逆序问题的上游阶段对瓶颈阶段的影响较小，那么求解逆序问题可以有效地提高算法的求解效率且不影响调度质量。但同时也发现并不是对所有的问题，逆序调度方法都优于正序调度方法。　　 (2)在关于正序和逆序调度方法研究的基础上，提出了一种基于领域知识的遗传算法。算法不但利用活动调度技术来进行空间缩减，还利用正逆序调度策略来克服算法对问题数据的依赖性、提高种群的多样性。此外在算法设计中，采用一种新的染色体编码来表示活动调度解，并探讨了相应的种群初始化策略和遗传操作。基于benchmark算例的仿真实验结果表明了该算法的有效性：不仅可以找到所有相对容易求解问题的最优解，而且可以找到较难求解问题的最优解或近优解，甚至找到了两个比benchmark算例中“已知最好解”更加优化的解。　　 (3)将炼钢连铸生产过程抽象为混合流水车间，建立了0-1型混合整数线性规划调度模型。模型将严格连续浇注作为等式约束，并通过分段惩罚来平衡炉次的驻留时间。在对模型进行Benders分解的基础上，提出了将GA与LP结合的两阶段遗传算法。在算法设计中，提出了一种新的染色体编码来表示炉次设备指派与排序方案，给出了相应的遗传操作方法。算法的第一阶段通过最小化设备析取冲突来寻找高质量的种群，第二阶段通过求解线性规划模型来指导遗传算法的迭代过程。基于生产实际数据的仿真实验表明，该算法能够有效求解炼钢连铸生产调度问题。