遗传算法是一种模拟生物进化过程的随机搜索算法，其自组织、自适应、自学习和种群进化能力使其适合于大规模复杂优化问题。它将问题的求解表示成“染色体”的适者生存过程，通过种群的一代代不断进化，包括复制、交叉和变异等操作，最终收敛到“最适应环境”的个体，从而求得问题的最优解或者满意解。随着计算机技术的发展，遗传算法越来越受到人们的重视，并在机器学习、模式识别、神经网络、优化控制、组合优化等领域得到了成功的应用。 生产调度问题几乎在现实环境中，特别是在工业工程领域无所不在。许多制造工业提出的调度问题从本质上讲非常复杂，难以用传统优化方法求解。因此，调度问题成为遗传算法领域里的一个热门话题。原因是该问题表现出约束组合优化问题的所有特征，并且成为测试新算法思想的范例。 本文第一章介绍了生产调度理论的产生、发展、分类和已有的解决调度问题的方法。第二章介绍了遗传算法的基本原理，描述了遗传算法的一般流程，并给出了标准遗传算法的参数及基本操作的设计方法，并进一步指出了和传统优化方法相比遗传算法具有的独特优点，并提出了几种改进的遗传算法。第三章和第四章分别讨论了JobShop调度问题和FlowShop调度问题的基本框架、标准遗传算法的设计，并分别提出了两种改进的遗传算法：嫁接共生遗传算法和佳点集遗传算法来提高了生产调度的效率，并克服了标准遗传算法容易早熟收敛的缺点。第五章对本文提出的几种算法进行了数值仿真实验。 由于遗传算法理论分析上的困难，以及生产调度问题的复杂性，我们采用仿真的方法来验证了相关算法的有效性。通过和已有结果进行对比，验证了我们提出的算法在解的质量上、运行效率上都有了一定程度的提高。