针对生产-配送联合调度（IPDS）模型较少考虑复杂生产环境以及采购环节的问题，建立了在作业车间环境下，以最小化订单完成时间为目标的采购-生产-配送联合调度（IPPDS）模型，并采用改进的动态人工蜂群（DABC）算法进行求解。根据IPPDS问题的特征，首先，采用二维实数矩阵的编码方式，实现任务（加工与运输）与资源（设备与车辆）的匹配关系；其次，采用基于工艺过程的解码方式，并在解码过程中针对不同任务设计了满足约束条件的方法，来保证解码方案的可行性；最后，在算法过程中设计了引领蜂与跟随蜂的动态协调机制和局部启发式信息。通过实验给出DABC适当的参数区间，对比实验结果表明，IPPDS策略相较于分段调度和IPDS策略，调度时间分别缩短了35.59%和30.95%；DABC相较于人工蜂群（ABC）算法求解效果平均提升了2.54%，相对于改进的遗传算法（AGA）求解效果平均提升了6.99%。因此，IPPDS策略能更快速地满足客户需求，而DABC算法既减少需设置的参数，又具有良好的探索和开发能力。

港口散货物流中，在考虑铲车能力约束条件下合理的铲车调度将提高整体的运作效率，并增强顾客满意度。通过分析货位上待服务的货车与有能力约束的铲车之间的关系，提出了利用主—从级遗传算法解决该类有能力约束的铲车调度问题。首先，建立了以缩短顾客停留时间为目标的数学模型。其次，设计了主、从递阶型式的两级遗传算法。算法中，主级求解铲车到货位的分配问题，从级求解主级所分配铲车能力约束下的货车服务次序及服务时间。另外，为避免非可行解产生，在主从级遗传算法的解码中均设计了启发式规则和惩罚函数。最后，通过一个应用实例的对比实验分析验证了此算法的有效性，并将最优解通过甘特图的形式展现出来。

通过分析多目标柔性作业车间调度问题中各目标的相互关系，提出一种主、从递阶结构的蚁群粒子群求解算法。算法中，主级为蚁群算法，在选择工件加工路径过程中实现设备总负荷和关键设备负荷最小化的目标；从级为粒子群算法，在主级工艺路径约束下的设备排产中实现工件流通时间最小化的目标。然后，以设备负荷和工序加工时间为启发式信息设计蚂蚁在工序可用设备间转移概率；基于粒子向量优先权值的大小关系设计解码方法实现设备上的工序排产。最后，通过仿真和比较实验，验证了该算法的有效性。