调度问题是生产制造的中心,在工业生产、自动化、车船调度领域广泛应用。车间调度问题是决策者根据资源的约束(时间人工成本,原材料等)对加工作业定量分配到相关程序上,并配置作业的加工顺序,在约束条件下达到最优安排。优秀的调度策略可以获得更佳的资源配置,提高生产系统的效率,获得经济效益。因此,调度问题逐渐成为研究热点。本文提出一种多目标混合差分优化算法。混合算法吸收了差分进化矢量运算的优点,依据历史记录动态的调整搜索方向。为了克服在进化后期,差分进化算法由于种群多样性变小容易陷入局部最优的缺点,通过一种混合采样策略获得解集的分布信息设计差分进化的变异算子,使得混合算法能够朝着有利的方向提高收敛性或者分布性,弥补了陷入局部最优的缺陷,算法可以快速的向着帕累托前沿面前进。本文首先将多目标混合差分优化算法在经典的Benchmark Problems集上进行验证,并与传统优秀算法进行对比分析;针对差分进化过程提出不同的备选个体选择方式,并进行对比数据分析。最后针对于最大完工时间和总流程时间的双目标流水车间调度问题进行数学建模,采用改进的变异算子增加算法的全局搜索能力。Benchmark Problems测试结果上显示混合差分进化算法对多目标进化算法在收敛性能与分布性能上具有明显的优势。在流水车间调度问题仿真实验上,混合算法更适合处理流水车间调度问题。通过对不同变异算子的对比结果显示,基于全局考虑的备选个体选择方式在获得最后精英解集上更具有竞争力。多目标混合差分进化算法无论是在Benchmark Problems验证还是测试流水车间调度问题,算法性能上表现优于传统进化算法,改进变异算子后也取得很好的效果。