在这个全球经济不断增长和市场竞争逐渐加剧的时代,制造厂商都在不断地提面生产运作理念和制定合理的管理制度来巩固自身的商业地位。在实际生产过程中,生产计划与车间调度一直以来都是影响企业的产出效率和生产成本的关键因素,而有效的生产计划与调度算法可以最大限度地提高企业的效益。车间调度问题也因此越来越受到人们的广泛重视。由此可见,对于车间调度问题的深入研究具有重大的理论意义,并且也存在着现实价值。所谓车间调度问题即可描述为在一定约束条件下,如何将某项可分解工作在台理分配资源和准确安排其各组成部分的加工顺序使其达到产品制造时间或生产成本的最优化问题。作业车间调度问题(Job Shop Scheduling Problem,简称JSSP)疵是其中一个典型的NP难(NP-Hard)问题,也是最难求解的经典组合优化问题之一。在过去的几十年里,众多学者都在不断地找寻新的调度算法,使其提高生产效率、降低生产成本、增强企业的竞争力。目前,遗传算法是仿生学方法中最重要的算法之一,也是应用最广泛的进化计算方法之一。它在解决各种非线性优化问题中表现出的自适应性、全局最优性及隐含并行性使其在调度的优化研究方面有着不可替代的优势。本文以自适应遗传算法为基础,将其与人工鱼群算法相结合,提出一种改进的、更加适用于求解Job-Shop调度问题的新算法。本人通过阅读大量文献,得知现有的一些自适应遗传算法在进化过程中容易陷入局部收敛,从而影响了算法的性能；而人工鱼群算法在算法执行过程中局部的搜索能力很强。因此将自适应遗传算法与人工鱼群算法相结合形成一种新的算法；在新算法中引入局部收敛指数来判断进化种群是否出现陷入局部最优的趋势,如果出现了局部收敛的趋势,则对种群执行人工鱼群搜索,否则将继续执行自适应遗传算法；在算法执行后期通过增大种群的变异概率来提高种群的多样性,使之产生出更加优良的个体。改进的算法不仅能够提高算法的性能,而且更加适用于求解作业车间调度问题。最后,本文针对经典的作业车间调度问题进行了仿真实验,并实现了Job-Shop调度模拟系统。结果验证了改进的自适应遗传算法具有较好的性能,显著提高了寻优过程的全局性和快速性。