本论文中，我们主要研究了带学习效应的调度问题。自从Biskup于1999年首次将“学习效应”这一概念引入到调度领域后，关于带学习效应的调度问题在研究者中引起了很大的兴趣。也就是从那时起，许多研究者提出了诸多不同的学习曲线，这些学习曲线可以分为三大类:包括工件位置相关的学习效应，与加工时间和有关的学习效应以及两者的组合情形。在本文中，我们在确定性环境下研究了工件位置相关与加工时间和有关的学习效应，在随机环境下研究了一般工件位置相关的学习效应。我们首先在确定性环境下考虑了一般工件位置相关的学习效应和过去序列相依的准备时间，同时对过去相依准备时间也考虑了学习效应。基于Hardy-Littlewood-Poly(HLP)重排不等式和经典的两两交换的讨论方式，证明了最短正常加工时间准则对时间表长，总完成时间，总的δ(≥0)次幂完成时间的总和以及加权总完成时间的最优化问题是最优的。在一定的相容性条件下，我们证明了最早工期准则对最大延误和最大滞后的最小化问题是最优的。此外，我们还给出了两个启发式多项式算法来解决完成时间的总绝对偏差与提前，延误和共同工期的惩罚和的最优化问题，算法的完成时间为O(n log n).　　 然而，到目前为止，所有带有学习效应的模型都是在确定性环境分析的。在这篇论文中我们尝试在随机模型下分析带有一般位置相关的学习效应的一些单机调度问题。我们的目标是（随机）最小化一些正则目标。通过随机序关系，两个似然比序的刻画性质以及两两交换讨论的方法，证明了在一定相容性条件下，目标最大延误，时间表长以及最大滞后可以随机最小化，加权总完成时间的期望可以通过加权最短期望完成时间准则优化。而且，对期望时间表长，时间表长的方差和完成时间和的期望也同样获得了最优策略。最后，按最坏界情形给出了WSEPT准则关于最优策略的效，同时也给出了WDSEPT准则的性能与最优策略之比的一个上界。　　 此后，在工件加工中断后可以继续原来位置加工的中断情形下考了机器中断和学习效应的双重影响。机器的中断过程可由一列独立同分布的非负随机序偶刻画。然后定义了一个与之相关的计数过程。最后，在这计数过程分别为更新过程和泊松过程的条件下推广了第三章的结果。