智能优化理论作为人工智能领域的重要分支,得到了广泛的研究和实际应用。其中,粒子群算法和差分进化算法作为两种代表算法,受到的关注尤为突出。但是,粒子群算法容易在进化后期丧失种群多样性,而差分进化算法经常出现早熟收敛和搜索停滞现象。为此,本文从融合两种算法优势、弥补各自不足的思路出发,在改进传统差分进化算法的基础上,提出了一种粒子群和差分进化融合算法,并将所提算法应用于焊接加工车间作业调度中,达到了良好的应用效果。本文主要研究贡献如下:（1）在传统差分进化算法基础上提出了基于分层学习的差分进化算法,将差分进化算法中的个体进行动态分层,通过低层个体向上层个体学习的方式寻找最优解,在搜索过程中较好平衡了全局搜索和局部搜索的能力。经过数据仿真实验和静态环境机器人路径规划应用实验表明,该算法较好地保持了种群多样性并具有良好的收敛速度,对于解决静态路径规划问题具有一定的可行性。（2）提出了一种基于粒子群和差分进化的混合算法。该混合算法的基本思想是利用两种算法的竞争和合作实现协同进化。在差分进化算法中引入了双种群多变异的策略,增强了种群的多样性,有效解决了搜索过程中种群过早收敛的问题。在粒子群算法中,主要改进了速度公式,引导种群向更好的方向进化,改善了该混合算法的局部寻优能力,避免种群陷入局部最优。然后选取具有30个测试函数的CEC2014测试函数集验证该混合算法的有效性,实验结果表明该算法在最优解的精度和稳定性上均有较大提升。（3）最后,将提出的粒子群和差分进化混合算法应用在车间作业动态调度问题中,并用经典算例进行仿真和测试。通过与其他算法的实验结果对比,验证了该混合算法的有效性。同时,针对河南某车辆厂焊接车间生产作业管理实际需求,利用所提方法开展实际工程应用,开发相应的车间作业动态调度模块。应用结果表明,本方法能够很好地解决实际生产中的作业任务动态调度问题,具有一定的实用价值。