序列流水车间调度问题(Permutation Flowshop Scheduling Problem，PFSP)在物流、交通、流水线生产等实际工业领域有大量应用，合理的时间内高效地解决PFSP关系到许多领域的生产效率。PFSP中最大完工时间(Makespan)的最小化可以促使总生产运营的最小化、稳定的资源利用、快速的作业周转和在制品库存的最小化，而最大延迟(Maximum L,ateness)的最小化可以最大程度减小企业延误交货期的损失。所以研究PFSP的最大完工时间和最大延迟最小化对于最大化企业利润意义重大。 本文使用提出的混合粒子群优化算法(Hybrid Particle Swarm Optimization，HPSO)分别最小化PFSP的Makespan和最大延迟。本文的主要贡献包括：为避免混合PSO算法过早陷入局部最优值，提高其持续寻优能力，提出自适应排斥计算技术；为更好地平衡混合PSO算法中粒子的全局探索和局部开采能力，提出自适应非线性变化的认知因子和社会因子；根据PFSP的离散特性，提出从连续问题空间到离散问题空间转化的启发式规则-SDV(Smallest Difference Value，SDV)，SDV能使混合PSO算法更加智能地做出调度决策以分别最小化PFSP的makespan和最大延迟基准；为提高混合PSO算法求解PFSP的解的精度，提出改进的INEH局部搜索技术；为公正地评估混合PSO算法的性能，将基于业内使用最普遍的Taillard和Demirkol基准实例进行评估，此外，还充分对比了混合PSO算法与其他PSO算法在求解PFSP时的效率。