在实施制造强国战略和增强制造业的国际竞争力问题上,车间调度是一个核心的问题。柔性作业车间调度问题是NP-hard问题中的一个典型问题,也是工业界和学术界共同研究的热点问题。许多领域的学者们对柔性作业车间调度问题的多目标性和动态性进行了大量的研究,并取得了丰富的研究成果。近年来,由于技术的发展,传统调度方法的研究面临着巨大的挑战,同时,基于数据的调度方法正引起工业界和学术界的关注,基于此,本文做出以下研究:首先,本文详细介绍了车间调度问题的相关研究背景及车间调度问题的分类。本文分析了两个标准数据集近优调度方案中决策点的规则满足情况,分析得到rule_end规则的使用率最高。其次,本文将规则和遗传算法结合起来以高效地求解柔性作业车间调度问题。本文通过规则对遗传算法的初始种群进行优化;对遗传算法的选择、交叉、变异算子进行改进;为加快遗传算法的收敛速度加入基于规则更新的外部精英库;在解码操作时加入多约束条件使得该模型不仅能够求解静态调度问题,同时能处理动态车间调度问题,并通过实验证明了该算法求解车间调度问题的有效性。最后,本文使用多粒度规则求解柔性作业车间调度问题。本文将生产调度过程视为实时动态决策的过程,在机器选择的问题上,通过对历史调度数据的分析,得到车间状态和规则之间的映射关系,使得在调度决策点根据车间状态切换调度规则,并通过实验验证了规则调度的可行性和高效性。