生产调度问题，包括离散型的作业车间调度问题(JSP)，流水车间调度问题(FSP)，和连续型的流程工业调度问题(PIP)都是具有强约束，多目标的NP-hard问题，以一般数学方法很难得到可行解。蚁群算法的强鲁棒性和多智能体技术的分布性提供了一种新的解决思路，本文针对蚁群算法的改进和多智能体化，以及不同生产调度问题的建模做了一系列工作，具体归纳如下：　　 (1)针对蚁群算法计算量大、计算效率不高的不足，本文提出了一种新的多智能体并行蚁群算法。利用多智能体的并行性，易扩展性和协作性使蚁群算法并行化，提高了计算资源的利用率和组合的灵活度。本文还对蚁群算法大量无用的蒸发操作做了改进，根据蚁群算法逐渐收敛的特点，提出了基于局部蒸发的全局蒸发思想，过滤掉无用的蒸发计算，以此加强了蚁群算法的计算速度，提高了解的质量。　　 (2)针对传统的智能体学习方式单一，学习能力弱的缺陷，本文集成了基于进化型超顶点和基于信息素的两种学习模式，加强了学习的多样性。并且针对传统的超顶点学习模式中超顶点生成质量不高的缺点，本文提出了进化型超顶点的概念，让超顶点能在计算中不断改进，提高了生成的超顶点质量，在保证解质量的同时加快了算法的收敛速度。　　 (3)本文针对作业车间调度(JSP)和流程工业调度提出了新的建模方式。传统的JSP“析取图”建模过程复杂。本文提出了动态地图简化了蚁群算法的JSP建模方式并运用于实际计算，还将蚁群算法和无延迟调度启发式调度法结合，改进了可见度的导向性。而对蚁群算法从未运用于流程工业优化的空白，本文独创性的提出了网格连续域蚁群算法的优化建模方案，并运用到实际化工厂车间的优化中得到了不错的结果。　　 在本文的最后，对多智能体蚁群算法应用前景和理论研究方向做了总结。