自2010以来中国已经成为世界制造业第一大国,制造业发展迅猛,是促进实体经济发展的利器。制造业的发展离不开智能制造,车间调度属于智能制造重要的组成部分之一,合理的车间调度方案可以提高产品生产效率和交货率,降低生产成本和能源消耗。车间调度中所使用的算法性能决定了车间调度方案的质量,所以制造业的快速发展与智能调度方法紧密相关。精英非支配排序遗传算法（NSGA2）对研究多目标柔性车间调度问题有重要价值,但算法进化参数随机化问题与陷入局部最优问题尚未完全解决。因此,本文对多目标柔性车间调度问题进行研究,设计出一种基于强化学习的NSGA2算法,利用强化学习自学习特性,提高了算法的性能,并实现对多目标柔性车间调度问题的高效求解,本文主要创新工作如下:（1）对于多目标优化问题,提出了基于强化学习的精英非支配排序遗传算法即改进的NSGA2算法。利用强化学习自学习特性,设计了算法进化参数的自学习策略,从而实现进化参数可以根据当前种群状态来选择;其次利用天牛须算法（BAS）提高单个体寻优的速度和全局搜索能力,进一步来提高算法的全局搜索能力,避免算法陷入局部最优;最后采用了经典的多目标测试函数对算法进行测试,并且与传统的多目标算法进行对比,结果证明了所提算法在处理多目标函数优化问题上的有效性。（2）对于多目标柔性车间调度问题,将提出的改进的NSGA2算法应用于多目标柔性车间调度问题。首先根据柔性车间调度问题的特点,结合调度规则设计了种群初始化方法来提高初始化种群质量,并且设计了适用于车间调度问题的交叉和突变方式;然后应用该问题的标准算例,从静态调度和动态调度两个方面进行测试,并且与其他算法进行对比,结果表明该算法在求解该问题上的优越性和稳定性;最后结合企业具体的生产案例,根据车间生产产品的实际生产情况,在任务之间加入了约束条件,证明了算法的实用性。