作业车间调度问题是制造企业降低成本、提质增效的核心课题,一直是研究的热点。随着制造业信息化建设的不断突破和发展,车间生产过程中会积累大量的数据,造成数据中隐藏着工件工时、设备选择、工件工序等有价值的调度信息不易被获取,进而影响作业车间调度决策的有效性。为此,本文以作业车间调度问题为研究对象,将数据挖掘技术与调度规则、遗传算法相结合,研究基于数据挖掘的作业车间实时调度新方法。为了利用数据挖掘技术对调度数据中有用信息进行分析和挖掘,本文构建了基于数据挖掘技术的调度框架,选用数据挖掘中的C4.5决策树算法,从离线数据中获得决定工件加工排序的调度知识,生成C4.5树状规则图。采用悲观错误剪枝算法进行剪枝,得到决策树规则,并用遗传算法对规则进行进一步优化,从而提出了一种基于数据挖掘和调度规则的遗传优化算法（GA-DDR）。为了进一步提高GA-DDR算法的效率,本文从不平衡数据的处理等方面进一步研究了数据预处理问题,提出了一种基于人工合成数据的数据挖掘和调度规则的遗传算法（GA-SDDR）。在所生成C4.5多叉树规则库基础上,分别采用SMOTE算法、Borderline-SMOTE算法、综合采样算法对不平衡数据进行采样处理,以解决数据类别不平衡和数量少的问题。经上述三种采样算法得到的数据分别在CART决策树算法中进行训练,并根据Precision、Recall、AUC三种评价指标结果选择新的训练数据。在这些新的人工合成数据作用下,实现了有限数据样本的成比例增加,消除了人工制表产生的类别不平衡现象。本文在Python平台下搭建了仿真环境,利用LA07等经典算例,根据所提出的数据预处理方法进行了仿真研究。结果表明,与文献中的算法对比,本文所提出的GA-SDDR算法具有较快的寻优速度和较强的寻优能力。