（六）啟發式圖搜索法
對於表述為整數規劃的調度問題，最初采用了分枝定界法，而後其他的啟發式圖搜索法也被應用於解決調度問題。Balas［35］將調度排序問題用一個非連接圖（disjunctivegraph）來表示，通過首先構造一個可行解，采用基於隱枚舉的搜索方法不斷提高解的次優性；Anup等［51］針對基於樹搜索的最好優先的A3算法需要大量內存的問題，提出了一個圖搜索法，並對兩種方法作了比較。對於此類方法如何提高搜索效率、減少內存使用，以能解決比較大的規模的問題，還需要進一步探索。
（七）模擬退火法
模擬退火算法SA（simulatedannealing）是基於MenteCarlo迭代求解的一種全局概率型搜索算法，是一種串行優化算法。其將組合優化問題與統計力學中的熱平衡問題類比，通過模擬退火過程，可找到全局（或近似）最優解。模擬退火法的改進算法有加溫退火法、有記憶的模擬退火法等。Hisao等［52］提出一種改進的模擬退火法，用來解決具有最小Cmax指標的FSP排序問題，並與禁忌搜索法等進行了比較。由於模擬退火法能以一定的概率接受差的能量值，因而有可能跳出局部極小，但它的收斂速度較慢，很難用於實時動態調度環境。
第132章（八）禁忌搜索法
禁忌搜索法TS（tabusearch）是Glover［53］提出的模擬智能過程的一種具有記憶功能的全局逐步優化算法，通過設置禁忌表，避免陷入局部最優或重複過去的搜索，利用中、長期的存儲機製進行強化和多樣化搜索。Taillard［54］提出了解決FlowShop調度問題的TS算法。Manuel等［55］為了更有效地搜索解空間，引入了插入移動和移動相結合的機製，從而提高了搜索效率。
（九）神經網絡法
神經網絡法ANN（artificialneuralnetworks）應用於調度問題已有十幾年的曆史，利用指導學習神經網絡找到係統輸入、輸出之間的關係，輸入特性包含作業特征（如數量、路徑、交貨期和處理時間等），輸出為相關排序和性能指標。目前應用最多的是BP網。Rabelo［56］針對不同的到達模式、過程計劃和程序排序，提出使用後增值神經網解決JSSP問題；Hopfield等［57］針對由能量函數定義的基於鬆弛模型的神經網提出的Hopfield網，解決了一類經典的調度問題，Hopfield神經網絡模型的提出為求解各種有約束優化問題開辟了一條新途徑；Foo等［58］介紹了一種隨機Hopfield網絡來解決JSP調度問題的方法，Foo等［59］為了解決大規模問題，又提出一種改進的Tank和Hopfield網絡的整數線性規劃神經網絡ILPNN來解決JSP調度問題。但由於計算時產生大量不可行解且計算時間較長，ANN解決實際調度問題的效率不高，而指導學習神經網絡試圖通過訓練類型找到輸入輸出之間的關係，隨著問題規模的增大，網絡的規模也急劇增大。