امروزه با توجه به رقابتی شدن شرایط بازارها، سازمان ها برای حفظ و بقا می بایست به دنبال افزایش کارایی و بهینه سازی عملیات تولیدی خود باشند. به همین دلیل باید عوامل متفاوتی را در راستای بهینه سازی برنامه زمان بندی خود برای پاسخگویی بهنگام به تقاضاهای مشتریان مد نظر قرار دهند. برنامه ریزی و زمان بندی پیشرفته، یک نوع فرآیند مدیریت تولید است که در آن منابع و ظرفیت های تولیدی به طور بهینه برای تحقق تقاضاهای مشتریان تخصیص داده می شود. این رویکرد به طور خاص در محیط هایی که روش های برنامه ریزی ساده نمی توانند جوابگوی شرایط پیچیده باشند کاربرد دارد. تاکنون یک فرض رایج در مسأله برنامه ریزی و زمان بندی پیشرفته این بود که زمان پردازش یک محصول ثابت و مستقل از جایگاهش در توالی تولید است؛ اما در بسیاری از موارد عملی، عملکرد اپراتور به طور پیوسته با گذشت زمان بهبود می یابد. در نتیجه هرچه یک محصول دیرتر زمان بندی شود زمان فرآیند آن کمتر خواهد بود که این پدیده به عنوان اثر یادگیری شناخته می شود. توجه به اثر یادگیری در یک محیط تولیدی می تواند نتایج مثبت بی شماری را هم برای برنامه ریزی تولید و هم در محاسبه هزینه متغیر تولید به دنبال داشته باشد. به همین دلیل در این پایان نامه، رویکردی توسعه یافته برای مسأله برنامه ریزی و زمان بندی پیشرفته با در نظر گرفتن اثر یادگیری ارائه شده است تا توانایی بیشتری در بیان شرایط واقعی محیط های تولیدی فراهم و عوامل انسانی را نیز در زمان بندی دخیل می کند. چون بیشتر مسائل برنامه ریزی و زمان بندی پیشرفته پیچیدگی محاسباتی زیادی دارند و روش های حل دقیق جوابگو نیستند یک الگوریتم ژنتیک چندمرحله ای برای حل مدل پیشنهاد شده است. نتایج عددی نشان می دهد که هم مدل ریاضی و هم الگوریتم پیشنهادی عملکرد خوبی به خصوص در مسائلی با ابعاد بزرگ و پیچیده دارند. با توجه به ساختار واقعی مدل و کارایی و سرعت روش حل آن، می توان از رویکرد پیشنهادی این پایان نامه در حل مسائل بزرگ و پیچیده در دنیای واقعی استفاده کرد.