近几年来,经济发展十分迅速,制造行业市场的竞争也更加激烈。如何在保持产品质量的条件下以高效率、低成本这个目标来完成生产任务,成为生产厂家占有市场的关键。这就要求生产厂家能够合理安排车间调度的工序,合理利用资源,减少工期,降低生产成本。因此,车间调度问题越来越受到人们的关注。车间调度问题属于NP-hard问题,是典型优化问题中最难求解的问题。遗传算法以其通用性强,算法简单等特点,被广泛应用到车间调度问题的优化中。但是,正是由于其通用性强,从而导致其灵活性差。由于算法简单,尽管能够保证全局收敛性,但无法避免会出现局部退化现象。解决遗传算法在车间调度中遇到的瓶颈问题,是许多专家学者研究的主要课题。本文提出了一种基于压缩关键路径的交叉机制,使用该机制后,能够有效地增加进行交叉操作后获得优秀个体的概率,使整个进化可以更快地得到全局近似最优解。本文把学习机制引入到遗传算法中,利用机器学习的记忆和存储功能建立知识库,把优化过程和优化结果分类存储,以指导以后的车间调度,并使检索效率提高,从而建立具有较高平均适值的初始种群。同时,采用学习机制还可以实时指导遗传算法中的交叉、变异等参数,从而有效地使进化过程沿着较优的方向发展。本文设计并实现了一个车间调度知识库系统平台。深入研究了车间调度和知识库理论的优化算法模型,将提出的改进算法用Muth and Thompson基准问题测试,结果表明,该算法具有较高的优化效率,提高了解的质量和收敛速度。并应用改进的算法模型对实际问题进行求解,得到的结果是可行且有效的。