對於基本作業計劃問題，目前主要的優化算法有：
（一）確定性最優化方法［42］
這類方法主要是通過對車間作業計劃問題建立一個整數規劃模型，采用基於枚舉思想的分枝定界法或動態規劃算法進行求解。Balas［35］最早提出了一種求解車間作業計劃的分枝定界法（branch&boundalgorithm）。這類方法雖然從理論上能求得最優解，但由於其計算複雜性的原因，難以獲得實際應用。
（二）基於啟發式規則的作業計劃方法
調度規則因其易於實現、計算複雜度低等原因，能夠用於動態實時調度係統中，許多年來一直受到學者們的廣泛研究，並不斷湧現出許多新調度規則。Panwalkar等［43］總結了113條規則，並將它們分成了三類：簡單規則、複合規則和啟發式規則。Montazeri等［44］列舉了常見的20條規則，並針對一個實際的FMS，分析了這些規則對係統性能如作業的平均等待時間、機床的平均利用率和作業總加工時間等的影響。隨著計算機運算速度的飛速提高，人們希望尋找新的近似調度方法，它以合理的額外計算時間代價，獲得比單純啟發式規則更好的作業計劃方案。
（三）基於知識的作業計劃方法
近年來受實際需要的推動，基於知識的智能調度係統和方法的研究取得了很大的進展。基於知識的調度方法是用專家係統自動產生調度或進行輔助調度，它是將傳統的調度方法與基於知識的調度評價相結合的方法。Yuehwern［45］對基於調度係統處於不同的狀態，采用不同的調度規則策略的動態調度方法進行了總結，其共同特點是：在支持某些活動發生的資源條件具備時（稱為決策點），根據係統當時所處的屬性狀態，決定采取何種規則（策略），確定或選擇活動發生的順序和時間，即所謂的狀態指導的智能調度方法。Doublgeri等［46］以一個柔性印刷電路板安裝係統為實例，提出了基於知識的調度方法。基於知識的調度方法可以產生比調度規則更複雜的基於對整個調度係統的啟發式，並能從特殊數據結構中獲取大量信息，其缺點是計算比較耗時。
（四）仿真調度方法
由於製造係統的複雜性，很難用一個精確的解析模型來進行描述分析。而通過對仿真模型的運行收集數據，就能對實際係統進行性能、狀態方麵的分析，從而能對係統采用合適的控製調度方法。Kiran等［47］回顧和總結了在動態環境下基於純仿真模型的JSP問題的研究狀況。Wu等［48］提出了基於純仿真模型的調度方法，即在一個較短的時間段內用仿真來評價一個分派規則集，選取最小代價的規則，以適應係統狀態的變化。基於純仿真法雖然可以包含解析模型無法描述的因素，並且可以提供給使用者一個調度性能測試的機會，但其不可避免地存在以下問題：①缺乏理論意義；②應用仿真進行生產調度的費用很高；③仿真的準確性在很大程度上受編程人員的判斷和技巧的限製。
（五）基於DEDS（discreteeventdynamicalsystems）的解析模型方法
由於製造係統是一類典型的離散事件係統，因此可以用研究離散事件係統解析模型和方法去探討車間調度問題，諸如排隊論、極大極小代數模型、Petri網等。車間調度中的排隊論方法是一種隨機優化方法，它將每個機床看成一個服務台，將每個作業作為一個客戶。Jiang等［49］用帶有有限緩存的排隊網絡來描述帶有有限存儲容量的FMS；南開大學的劉瑞華等［50］針對FMS中一類特殊的DEDS：Fork.Join排隊網絡，利用極大代數方法對其進行建模，並進行係統的穩定性分析。總的說來，由於排隊網絡模型是從隨機統計的角度來描述FMS的，難以表述係統中存在的某些特性（如有限的緩存空間等），同時產生的輸出是基於係統穩態操作的平均量，因此其很難得到比較具體的細節。