生产调度一直以来是学术界和工业界的研究重点之一。随着信息技术在制造企业中的不断深入应用,使得车间实际生产过程中积累的数据剧增,这包括大量与加工工件、加工机器、加工技术及车间人员操作等密切相关的有价值的动态信息。如何将这些动态信息与生产调度研究有效结合,成为新的研究热点。本文以Job Shop车间为对象研究数据驱动的生产调度问题,提出了基于数据挖掘和规则调度的作业调度改进遗传算法,并进一步针对车间调度中数据的特点,在Microsoft Visual Stduio Code环境下,开发了基于数据的车间实时调度系统。为了实现作业现场的实际数据与调度算法的有效集成,本文设计了基于数据挖掘技术的调度系统框架,包括规则挖掘、调度优化和车间管理三个组成部分。首先,选择合适的调度样本集并以一定的比例将其分为训练集和测试集两部分,再通过采用数据挖掘方法中的CART决策树算法从离线的调度数据中获得工件加工的调度规则知识,形成CART树状调度规则库;其次,将得到的调度规则库应用到遗传算法中并进行优化改进,得到了基于数据挖掘和调度规则的遗传算法;进一步,使用该算法对作业车间进行实时调度优化,并用于指导生产车间调度问题。为了验证提出的基于数据挖掘和调度规则的遗传算法的可行性和有效性,本文在Python jupyter和Microsoft Visual Stduio Code平台下搭建仿真环境。通过对经典Job Shop算例进行仿真测试,给出了调度过程中多组任务的优先加工顺序甘特图以及算法收敛曲线对比图,并将该算法与文献中的优化算法进行了比较。结果表明,本文所提出的基于数据挖掘和规则调度的作业调度改进遗传算法在优化性能和收敛速度方面具有明显的优势。