车间调度问题是一类典型的组合优化问题，它包含了并行机调度、流水车间调度、作业车间调度以及柔性作业车间调度等经典优化问题。这些调度问题广泛存在于汽车、钢铁、焊接、纺织及食品等生产制造领域，已被证明是NP难问题［3，4］，即存在多项式算法能够解决的非决定性问题。在大多数经典车间调度问题中，工件加工时间通常被认为是提前给定的确定值，但是在很多实际生产中，工件加工时间的大小与使用的资源（如人力、能源、物料及资金等）密切相关。例如，在数控加工机床生产中，通过调节机床转速和进给量等工艺参数能改变加工时间，但它会引起额外资源的消耗［2］。在化学工业中，一种化合物的生成时间依赖于所使用的催化剂与抑制剂。使用催化剂加工某些化合物，化合物的合成时间将会缩短；而采用抑制剂，化合物的合成时间将会变长。总之它们都会引起额外资源成本的增加［5］。因此，研究此类车间调度问题具有十分重要的实际应用价值。

如前所述，传统经典车间调度问题已被证实是NP难问题。因此，加工时间可控的车间调度问题更是具有NP难的特性，采用传统调度方法（如基于数学规划的调度算法和基于启发式规则的调度算法）难以有效地求解大规模调度问题。元启发式算法是高效求解此类问题的一种有效技术手段，其优点是在有限时间内可获得问题的近似解，甚至是最优解。自20世纪50年代起，相关调度理论和方法的研究受到了学术界与工业界的广泛重视［6］。目前，调度领域较经典的元启发式算法主要有模拟退火算法［7］、遗传算法［8］、和声搜索算法［9］、粒子群优化算法［10］、进化规划算法［11，12］、禁忌搜索算法［13］及差分进化算法［14］等。此外，本书研究的调度问题本质上是一个多目标优化问题。在多目标优化问题中，由于各子目标之间存在着相互冲突的可能，所以多目标优化问题的解并不是一个单一的最优解，而是一组被称为Pareto（帕累托）最优解集的折中解（或者非支配解）。基于Pareto的智能优化算法非常适合求解该类复杂的多目标优化问题。近年来，出现了许多种多目标进化算法（multi-objective evolutionary algorithm，MOEA），很多多目标进化算法已经被成功地应用到了实际工程问题中，从而形成了一个新的热门研究与应用领域。其中以快速非支配排序遗传算法（NSGA-Ⅱ）［15］和基于分解的多目标进化算法（MOEA/D）［16］的求解效果尤为突出，但根据没有免费午餐定理（no free lunch theorem）［17］，没有哪种算法可以在任何问题上都能高效求解。为此，将不同算法或者算子适当地组合起来可以有效地弥补单个算法存在的缺陷［18］。灰狼优化（GWO）算法［19］和病毒优化算法（VOA）［20］是近年出现的两种高效的群智能优化算法。GWO算法是受到灰狼捕食猎物活动的启发而发展起来的一种全局优化搜索方法，而VOA是模拟病毒攻击宿主细胞的行为而发展起来的优化方法。它们均具有收敛性能好、搜索原理简单、参数少、易实现等特点。同时，算法的求解性能高度依赖于具体问题的属性，在单机调度问题和流水车间调度问题中每个解包含了工件的排序而无机器的选择，并行机调度问题和柔性作业车间调度问题则不仅存在工序的排序同时也存在机器的选择。本书结合所研究问题的特性，基于GWO算法和VOA的优点，对相应的问题进行高效求解。这样就不仅拓展了多目标进化算法的应用范围，而且为求解复杂的多目标优化问题提供了一定的理论与技术支撑。(www.daowen.com)