流水车间调度生产模式是现代制造业普遍存在的一种生产方式,是实际生产过程中常见的一种生产排序模型,也是车间调度研究领域的一个重要问题。调度问题的优化目标是基于约束条件和生产需要对所要加工的工件安排合理的加工顺序,以满足客户需求和企业生产要求。生产调度是企业进行生产活动的基础,一个合理的调度方案可以实现生产过程平稳有序的进行,最大限度的减少浪费,改善企业生产效率低下的问题,对提高企业和客户满意度具有重要意义。从理论研究意义上来说,车间调度问题是典型的NP-hard难题,对此类问题的求解涉及运筹学、数学、计算科学和工业工程等多学科理论知识,深入研究调度问题可以不断促进调度理论和其他学科之间的融合,同时对其他组合优化问题也具有重要的指导意义。遗传算法是求解调度问题最常用的算法之一,因其计算过程的整体搜索策略和优化过程不依赖于梯度信息或其他辅助信息,只受目标函数或求解问题的适应度函数影响,因此应用较为广泛。但是,该算法在求解大规模问题时运算效率低,且容易陷入局部最优的问题,这也是很多算法共同面临的问题。为克服算法自身缺陷,本研究在遗传算法框架的基础上,提出了新型混合改进遗传算法(New Hybrid Improved Genetic Algorithm,NHIGA)求解零等待流水车间调度问题(Nowait Flow Shop Scheduling Problem,NWFSP)。为获得一个较好的初始种群,改进了NEH(Nawaz-Enscore-Ham)启发式算法构造初始种群,避免算法陷入局部最优解的可能性。其次,通过关联规则数据挖掘方式构建优势块,选择优势个体组成优势种群,将优势种群中的优势基因选择出来组成优势块,帮助算法降低搜索空间维度和问题的复杂性,提高算法搜索效率。在遗传过程中,运用协同进化算法改进遗传进化过程,通过种群分割分别赋予不同的交叉和变异概率,有效的提高算法的进化效率和全局搜索能力,避免无效的交叉和变异,增加运算量;交叉过程通过经营个体的引导,使种群向着更优的方向进化。为进一步搜索最优解,保证求解质量,提出基于NEH启发式思想的邻域搜索结构,先对染色体进行破坏,然后根据NEH思想对其进行重组,以达到优化种群邻域结构,改善算法求解能力,提高解的适应性,加快算法全局收敛。最后,通过二元竞赛法对产生的种群进行选择。为验证算法的可行性和有效性,研究采用了OR-Library中的Carlier、Reeves和Taillard系列标准测试算例对本文所提出的算法进行了仿真验证,其求解结果与现有研究结果进行了对比,从而说明了本研究所提算法的可行性和有效性。算法的收敛速度证明了优势块的注入改善了算法的收敛性能,其求解质量也证明了设计的遗传进化操作提高了算法求解精度,降低了算法陷入局部最优解的可能性。