市场竞争日益激烈,制造业也面临智能化生产的挑战,自动化设备逐渐被应用到复杂的生产过程中,如何处理人员与自动化设备之间的关系,是企业提升效率、降低成本的关键,因此作业车间中的人员调度也越来越受关注。作业车间环境下,自动化设备可独立完成工件的加工任务,人员仅参与工件的装卸作业,这种一人多机的生产模式使人机配比更加灵活,同时也对人员素质提出了更高的要求,其中人员的学习能力是影响生产效率的关键因素。因此本文在一人多机的生产模式下,建立了考虑人员学习的多目标作业车间调度问题模型。综合考虑多目标问题求解的特殊性与复杂性,设计了基于外部档案的遗传算法（External Archive Genetic Algorithm,EAGA）对其求解。首先在种群搜索的过程中,融合了基于关键路径的邻域搜索算法以及最晚完工时间的重调度机制,并引入了多种交叉变异算子,以增加个体的多样性,避免过早陷入局部最优;其次,在对种群进行筛选时运用外部档案,最大程度的保留更多的较优个体,以提高多目标算法求解的收敛性;最后利用网格法的特性,保留适当数量的最优解集,使算法求解效果更符合现实需求。为证明考虑人员学习的作业车间调度问题模型的先进性与EAGA算法求解此类问题的有效性,设计了两方面实验:一方面将人员学习因子、工件间相似度作为变量,在设备距离、工件信息等其他变量稳定的前提下,设计了五种不同的实验,结果显示,考虑人员学习效应时更能均衡人员负荷,有利于生产效率的提升;另一方面在典型算例LA01-LA20的数据基础上,添加了人员学习因子、工件间相似度及标准装卸作业时间等参数,利用本文算法EAGA以及两种经典多目标求解算法NSGA-II、MOEA对20个测例进行仿真测试,并计算HV和IGD两个指标,利用指标对算法结果进行评估分析。实验证明EAGA算法在不同规模测例下,占据更多的最大HV值和最小IGD值,因此相比NSGA-II和MOEA这两种对比算法在寻优效果方面较有优势,并且随着测例规模增加,EAGA算法在求解方面仍具有稳定性。论文研究过程中,将论文与实际问题相结合是验证所研究问题有效性的关键,所以在案例分析中以FLD公司的A车间C加工区为例,结合生产过程中实际数据,对考虑人员学习效应的问题模型进行求解,分析发现与当前工况相比较,在生产过程中,考虑人员学习能力与产品间相似性更有利于生产效率的提升,并且有助于人员负荷的均衡。