Im Rahmen dieser Masterarbeit werden Metaheuristiken zur Optimierung eines realen Auftragsreihenfolgeproblems vorgestellt und eingesetzt. Dieses Spektrum umfasst vor allem hybride genetische und evolutionäre Algorithmen, Ameisenalgorithmen, Simulated Annealing sowie iterierte lokale Suche. Diese Algorithmen wurden inklusive kundenspezifischer Nebenbedingungen implementiert und optimiert, wobei der Endbenutzer, konkret der Produktionsplaner, jeweils die einzelnen Nebenbedingungen für jeden Optimierungsalgorithmus ein- und ausschalten kann. Im Rahmen von Simulationsläufen wurde das Konvergenzverhalten der Algorithmen beispielhaft anhand von Simulated Annealing für mehrere Datensätze festgestellt. Anschließend wurden die Algorithmen selbst unter gleichen Nebenbedingungen sowie möglichst ähnlichen Bedingungen in Bezug auf ihre Lösungsgüte verglichen. Weitere Simulationsläufe wurden im Zusammenhang mit den Nebenbedingungen durchgeführt. Es wurden verschiedene Parametrisierungen betrachtet, welche den Suchraum einerseits einschränken, andererseits einfache Lösungen von Teilen innerhalb des gesamten Optimierungsproblems erlauben. Außerdem ist der Lösungsraum nicht einheitlich, sondern durch unterschiedlich große Kampagnen, die voneinander getrennt betrachtet werden müssen, charakterisiert. Während neben einer ausführlichen Problemcharakterisierung vor allem die diversen Metaheuristiken in den ersten fünf Kapiteln dieser Arbeit ausführlich beschrieben werden, um dem Leser einen Überblick über die Arbeitsweise dieser Verfahren zu geben, wird in den letzten drei Kapiteln auf die Implementierung der Algorithmen näher eingegangen, sowie das Optimierungspotenzial der ausprobierten Verfahren in Bezug auf dieses Auftragsreihenfolgeproblem unter realen Bedingungen untersucht. Im letzten Kapitel werden im Rahmen der Schlussfolgerungen aus den Ergebnissen zwei Algorithmen empfohlen, welche sich für dieses spezielle Auftragsreihenfolgeproblem insgesamt am besten eignen.