自从1954年Johnson发表第一篇关于车间作业调度的文章以来,车间作业调度,因其在生产制造业中的广泛应用而得到了很多学者的重视。但是,由于问题本身的复杂性,如两台机器的作业调度问题已经被证明是NP-困难的,经典的算法设计技巧很难用来解决现实的车间作业调度问题。计算智能理论的兴起,为复杂车间作业调度问题的研究提供了一种全新的方法。例如模拟退火、遗传算法、人工神经网络等,由于其良好的性能,在车间作业调度问题的研究中发挥了重要作用。车间作业调度问题的经典描述为：给定n个工件(job),每个工件有特定的加工工序；给定m台机器(machine),每台机器负责特定工序的加工。作业调度的目标是：求解n个工件在m台机器上的加工顺序,使得最后完工时间最小。尽管人们对很多类型的车间作业调度问题已经做了广泛的研究,但是对于带换装次数限制的车间作业调度问题,至今还没有相关的成果(有些机器更换某个部件之后,可以加工不同类型的工件,我们称机器更换部件的过程为“换装”。但是频繁的换装,会影响机器的使用寿命,并且换装一般由人工完成,从而导致单位时间内的换装次数限制)。然而,该类型的车间作业调度问题在实际的车间生产过程中广泛存在,例如轮胎制造、服装加工等行业,都涉及到机器的换装操作。另外,在实际生产中,有些机器是批量生产部件,一次性生产的部件除了满足当前需求之外,还会有剩余。这些剩余的部件被存储在仓库中,作为库存供以后使用。很多部件都存在有效期,过了有效期之后,部件便要销毁,这就造成了部件的浪费。如何提高库存的利用率,减少库存浪费,也是很多企业亟待解决的问题之一。本文以带换装次数限制的车间作业调度问题为研究对象,并且在考虑最小化完工时间的同时,使得库存浪费尽可能减少。针对带换装次数限制的车间作业调度问题,首先就不考虑库存的情况设计了遗传算法、模拟退火算法、蚁群算法、模拟退火+遗传算法、蚁群算法+遗传算法等五个智能算法。就考虑库存的情况,我们把目标函数设为最后完工时间和库存浪费的加权之和,然后对以上五个算法进行修改并成功应用于该种情况的求解。最后,设计了10个不同规模的调度实例,分别就有无库存的情况,对算法进行了实验,并进行了详细的分析。实验结果表明,就只考虑完工时间而言,模拟退火+遗传算法得到的结果最好,其次是模拟退火算法,遗传算法比蚁群算法+遗传算法表现稍好,而蚁群算法表现最差。就同时考虑完工时间和库存而言,模拟退火+遗传算法得到的结果最好,其次是模拟退火算法,其它三三个算法表现不相上下,但是,蚁群算法+遗传算、蚁群算法的库存利用率多数情况下较其它算法高,其它三个算法表现相当。