车间作业调度问题是制造系统的一个研究热点，在理论研究方面也是最为困难的问题之一，此问题具有约束性，非线性，不确定性和大规模性，已被证明调度问题是NP-hard问题，很难求得最优解。人们研究和发展了多种优化算法来处理此类问题：比如模拟退火，遗传算法，禁忌搜索，神经网络等。这些优化方法模拟或运用自然现象，过程和规律而得到发展，其思想涉及数学，物理，人工智能等多个学科。 在车间作业调度的过程中，要根据生产目标和约束条件，为每个加工对象确定具体的加工路径以及各具体操作的执行机器和时间。传统的作业调度问题的提法是：n个工件(job)要在m台机器上加工，每个工件需要经过m道工序(operation)，每道工序可能要求不同的机器。问题的目标是求n个工件在每台机器上最优的加工顺序，使最大流程时间达到最小。当然还有其他一些变种，比如规定n个工件在m台机器上的加工顺序相同或不同。传统的作业调度一般假定对每个工件只有一个可行的加工方案，即作业处理计划中没有柔性，而在现在的制造系统中，出现了各种作业柔性。大多数工件(job)具有大量的柔性加工方式和工序。即可以选择不同的工序序列来完成加工此工件，同时实现某个工序存在由多个机器的组成的集合。在本文中，将对这种适应新的制造系统的作业调度运用共生遗传算法来进行计算，根据前人给出此种作业的编码和解码模型，以及多种群共生遗传算法，来改进问题求解的质量。 在共生遗传种群中，如何衡量个体在整个调度中的表现是一个重要的问题，衡量指标选择的好坏(也就是适应度函数定义的好坏)直接影响到算法运行的结果和效率。在本文中，我们提出了一种新的共生个体的适应度函数的计算方法，通过大量的实验结果表明，在同等的测试环境下，新适应度函数表现优异。 在论文中我们还研究其他多种因素对遗传算法进化的影响。在共生算法中，共生邻域的大小也是要考虑的因素，我们用实验检测了邻域大小对算法结果和算法效率的影响，在传统的单个种群的遗传算法中，为了提高算法效率，在选择的过程中，常常引入轮盘赌算法，在本文中，我们用实验表明了，在共生算法中，