امروزه در صنایع تولیدی موارد کاربرد سیستم های انعطاف پذیر(fms) بسیار بیشتر از سیستم های غیر قابل انعطاف پذیر سنتی می باشد. دلیل علاقه روزافزون به این سیستم تولیدی، تغییر مکانیزم و تولید محصولات مختلف و ایجاد تغییر در روند و توالی تولید می باشد . به صورت معمول یک fms شامل یک ماشین می باشد که بر روی آن چندین سوراخ جایگاه ابزار وجود دارد و ابزار های مختلف می توانند بر روی آن نصب شوند . قطعات به نوبت بر روی دستگاه نصب می شوند و در هر بار که هر قطعه بر روی دستگاه نصب می شود باید ابزارهای مورد نیازآن بر روی دستگاه حضور داشته باشند. هنگامی که تعداد سوراخ های جایگاه ابزار محدود باشد و به ابزاری نیاز باشد که بر روی دستگاه حضور ندارد، باید عمل تعویض ابزار انجام شود. تعداد تعویض ابزار ها در طی مراحل پروسه قطعات با توالی و ترتیب قطعات مرتبط است . مسئله تعویض ابزار به صورت ساده شامل پیدا کردن توالی قطعات مناسب و همچنین توالی مناسبی از تعویض ابزار ها در طی مراحل مختلف، به منظور کمینه کردن تعداد تعویض قطعات می باشد . ثابت شده است که مسئله تعویض ابزار جزء مسائل پیچیده (np-hard) می باشد که حل دقیق و بهینه آن سخت می باشد . بنابراین در بسیاری از مقالات اخیر از الگوریتم های فرا ابتکاری استفاده شده است.در این پایان نامه سه مدل جدید از مسئله تعویض ابزار ارائه شده است . در مدل اول مسئله کلاسیک تعویض ابزار مورد بررسی قرار گرفته است و در حل آن از یک روش پیشنهادی ترکیبی الگوریتم ژنتیک و الگوریتم دسته بندی اجزا استفاده شده است .مدل دوم بر خلاف مدل کلاسیک تعویض ابزار چند هدفه می باشد . در این مدل فرض شده است که ابزار ها به صورت چند کاره می باشند و هر یک توانایی انجام چند عملیات را دارند . روشی که برای حل این مدل پیشنهاد شده است یک روش حل دو مرحله ای کارا می باشد که در هر دو مرحله از الگوریتم ژنتیک استفاده شده است ولی پارامتر های ورودی و ساختار کروموزوم ها ی این دو مرحله متفاوت از هم می باشد.در مدل سوم که مدل آخر این پایان نامه می باشد ، ابزار ها به صورت چند کاره هستند و هر یک دارای طول عمر خاص می یاشند. همچنین برای عملیات ها و فعالیت ها زمان انجام ، در نظر گرفته شده است . در همه مدل های مطرح شده، برای ارزیابی عملکرد روش های حل (الگوریتم ژنتیک پیشنهادی ) از مثال های عددی استفاده شده است ،نتایج با نتایج بدست آمده از روش های حل دقیق مقایسه شده است. نتایج نشان می دهد که عملکرد الگوریتم های ژنتیک پیشنهادی، در حل مدل های مطرح شده در این پایان نامه بسیار کارا و اثربخش می باشد.