随着“工业4.0”与“中国制造2025”带来的机遇与挑战,车间调度再次成为制造业关注的焦点。“多品种、小批量、订制化”的生产模式促使企业的生产调度做出相应改变,要求制造车间更灵活、柔性、敏捷地响应多变的市场需求。事实上,实际生产制造系统是部分柔性的,生产中往往需要兼顾多个调度目标。所以,多目标柔性作业车间调度问题亟待解决。因此,本文提出一种融合了遗传算法的全局探索性和变邻域搜索算法的局部开发性的文化算法求解多目标柔性作业车间调度问题。首先,在该算法中利用信仰空间的形势知识指导选择过程。采用锦标赛选择和最优个体保留相结合选择子代染色体;紧接着随机选择部分子代染色体与形势知识中的优良染色体进行相似度比较,将相似度最低的子代染色体用优良染色体替代。该过程可以增加带有优良性状的基因在后代显现的机率,进而提高算法的收敛速度与收敛质量。其次,在该算法中利用信仰空间中记录优良个体分布情况的地形知识来动态调整变异概率。当地形知识中某个单元的非支配解个数达到阈值,此时,通过影响函数来动态调整变异操作的变异概率。该过程可以维持种群多样性,扩大变异过程的搜索范围,进而防止算法过早收敛。此外,为了提高算法的收敛速度与质量,本文提出了三种基于优化目标函数和关键路径理论的邻域结构。一方面,变邻域搜索的初始种群来自种群空间的较优个体,弥补了其最终解质量依赖初始种群质量的缺陷。另一方面,通过三种邻域结构的系统化变化,进一步增强局部搜索能力。最后,对13个标准实例进行多次实验,共得到320组实验结果,来验证算法的可行性与有效性。通过三组对比实验,验证本文提出的三种邻域结构能有效提高算法求解质量。与其他学者提出的算法的实验结果进行对比,绝大多数实例中均取得更多优质的Pareto解,验证了本文提出的文化算法能够有效解决多目标柔性作业车间调度问题。