随着经济全球化的发展,中国制造业面临着更加严峻的挑战,市场环境复杂多变、需求多样化,有效自的抓住市场机遇,及时、高效的为客户提供产品成为企业成功的利器,这使企业利用信息化建立精准生产计划、过程监控成为必然,高级计划与排程(APS,Advanced Planning and Scheduling)能够解决主流信息化软件计划与排产的缺陷,快速准确地为企业制定一个全局的、最优的计划,而排产的逻辑和算法是APS系统的主要难点,本文对此问题进行较为深入的研究。大型离散制造企业生产规模庞大,产品、工艺、设备繁多。针对离散型制造企业APS中的大规模车间调度问题,本文采用量子进化算法优化和数据分解相结合的方式,提出一种基于目标级联模型下的量子进化算法求解大规模车间调度问题模型,大大提高了算法的求解效率,并且能够获得较高的求解质觉。首先,针对大规模调度问题数据量庞大的特点,本文提出一种基于工艺相似性聚类的数据分解方法,根据不同工件加工工艺的相似性,对不同工件进行工艺相似性聚类得到相应的零件族;根据工艺和设备对应的原则,建立相应的设备分配模型,给零件族分配相应设备,构成合理的制造单元,作为后续量子进化排产算法的基本调度模型,从而把大规模车间调度问题转化为制造单元调度问题。其次,针对大规模车间制造单元调度问题,提出一种改进量子进化算法,在基本算法中加入排产规则、随机搜索和精英个体进化策略,通过量子比特编码确定工序顺序,依据排产规则进行设备选择,通过不断迭代的精英进化策略,减少了调度问题编码复杂度,缩小了解空间的范围。对比研究表明,改进的量子进化算法相比蚁群、遗传算法等其他算法能够更快速收敛到最优值,针对不同算例及算法,平均收敛代数提高35%-80%,最优解提高0-26%,运行时间提高3%-91%;各维度数据规模增长时,最优值波动值不大于0.08,证明了量子进化算法在求解质量、效率和稳定性上的优越性。最后,针对大规模多目标柔性车间调度问题,设计了一种基于目标级联的量子进化算法计算框架,并设计了动态车间调度中的紧急插单、设备故障的处理策略,通过实例进行求解。实例计算表明,算法求解效率大大提升,验证了本文的目标级联框架下的量子进化排产算法的可行性。