车间调度问题是一个典型的NP难问题。随着现代全世界工业的迅猛发展,企业多元化的发展趋势,从最初的单一类型大批次生产逐步转向多类型,小批次的生产方向发展。在CIMS的相关交通运输技术,系统控制技术,车间管理技术中,车间调度技术是核心问题,它是通讯技术与组合优化发展的核心。车间调度技术在当今很多的生产制造的相关企业中有了范围广泛的应用。然而,目前还有很多调度问题在车间的实际生产中的本质问题都显得十分庞杂。寻找高效的调度方法,可以极大的提高资源的利用率和生产效益。传统的遗传算法在解决车间调度问题时拥有很多优点。遗传算法可以应用在解决车间调度问题中,然而它又是一种具有普遍应用性的智能仿生学优化算法,其中所涉及到的遗传算子和相关对应的编码技术解码规则等都比较容易理解,而且还不受到一些特殊问题的约束。传统的优化算法与遗传算法的最大的不同是,遗传算法开始于一个大规模的种群集合,而传统的算法只能开始于单一的个体来进行搜索迭代,容易陷入局部最优解,在非连续有噪音,多峰的情况下表现的更为明显。而遗传算法的覆盖面积比较大,有利于全局最优解的寻找,有很好全局收敛性。传统的遗传算法的初始种群都是随机产生,所以很大程度上会陷入局部最优解的困境,那是由于单纯地采用赌轮算法进行选择的缘故,这样的传统算法在算法执行的开始阶段搜索效率,执行效率都非常低,算法的收敛速度也随之降低,为了提高搜索速度和效率,并且避免陷入局部最优解,本文在传统的遗传算法上进行了改进,使用贪心算法产生初始的种群提高算法的执行效率,并且对算法过程中的相关算子进行了改进。贪心算法是一种比较常见的求解最优化问题的方法,它总会选择当前看来最好的个体,但是如果仅仅是这样的选择,容易造成算法的最终收敛过快,而最终陷入局部最优解。因此,通过引入模拟退火算子,就可以尽量避免此类问题的发生。这样,就组成了新的改进的贪心遗传混合算法。本文利用了前面所提到的改进的贪心遗传混合算法,实现了作业车间调度管理系统,并通过数据验证了该算法的可行性。证明了算子改进后执行效率得到了提高,准确率,并且有效的避免了局部最优的情况发生。