随着全球市场竞争的加剧和信息技术的不断发展,中国逐渐开启工业4.0之路,制造业随之不断发展。对于制造型企业,能否合理调度生产,将直接影响各大生产指标,进而影响企业的效率和效益。柔性作业车间调度问题是经典作业车间调度问题的一种扩展,也是一个NP难题。实际生产中往往需要同时优化多个目标,故多目标柔性作业车间调度问题逐渐成为研究重点。柔性作业车间调度问题要同时考虑工序排序问题和机器分配问题,当前广泛采用进化算法和群体智能来求解该问题,其中,遗传算法和粒子群优化算法是这两类算法的典型代表。粒子群优化算法原理简单,具有一定记忆功能,适合对解空间进行粗粒度搜索,但是其搜索精度不高。在遗传算法中,染色体具有多元化的变异和交叉算子,更可能遍历所有解,进行精细搜索,但是其性能易受到参数的影响而陷入局部最优解。由于它们的优化机理和共享机制不同,遗传算法为并行搜索,粒子群则为串行单点搜索,故本文将两者结合提出了基于学习指导的混合遗传—粒子群优化算法(TL-HGAPSO)来求解多目标柔性作业车间调度问题。该算法包含三大模块:遗传算法模块(GA)、双存储器学习模块(BL)和粒子群优化模块(PSO)。首先,BL模块将学习机制引入遗传算法,使染色体具有自学习特性。同时,本文设计了按照最小等待时间进行机器分配的初始化方法,然后改进了传统遗传算法中的交叉和变异算子,引入两个阈值来动态控制变异过程,定义了海明相似度来比较个体之间的相似性,设计了多父代交叉机制来提高子代产生优良解的速度。在遗传进化的过程中,GA模块中的子代不断学习BL模块中优良染色体的性状以提高其适值,同时采用精英选择策略来完成BL模块的更新。随后,在PSO模块中提出适合离散域的粒子群位置更新公式,并行迭代遗传种群和粒子群,在协同进化的过程中交换种群信息,实现两大种群优势互补,提高算法效率。本文采用13组基准实例,每组连续运行20次,共260个试验结果与其他算法的结果进行对比。实验表明,无论是测试结果还是运行时间,本文提出的TL-HGAPSO算法在大多数问题中均取得较优的Pareto解,充分验证了本文设计的算法能够有效解决柔性作业车间调度问题。