زمانبندی کار ها در صنایعی که روند حرکت کار ها بر روی ماشین ها به صورت دوره ای می باشد، همچون صنایعی که محصولات آنها فاسد شدنی نظیر صنایع غذایی و یا دارای طول عمر همانند مواد شیمیایی، رادیواکتیو و غیره هستند، از اهمیت زیادی برخوردار است، زیرا که این صنایع به دلیل محدودیت های زمانی و یا رقابت با سایر شرکت ها سعی در کمینه نمودن بازه زمانی انجام کار ها دارند. از آنجا که غالبا محیط تولیدی این صنایع به صورت تولید جریان کارگاهی مختلط دوره ای می باشد و اثر یادگیری اپراتور در سرعت تولید مشهود است، این پژوهش در نظر دارد که زمان چرخه بر روی هر ماشین را با وجود اثر یادگیری به کمک چینش فعالیت ها کمینه نماید. برای این منظور در روند این پژوهش، ابتدا تحقیقات پیشین در این حوزه مورد مطالعه قرار گرفت. سپس مدل ریاضی این مساله نوشته و به دلیل آنکه ماهیت کمینه نمودن زمان انجام کار ها در محیط تولید جریان کارگاهی مختلط دوره ای، جزء مسائل سخت (NP-Hard) می باشد، برای حل این مساله از سه روش فراابتکاری الگوریتم ژنتیک، الگوریتم شبیه سازی تبرید و الگوریتم شبیه سازی تبرید مبتنی بر جمعیت استفاده شد. نتایج نشان می دهند که الگوریتم شبیه سازی تبرید مبتنی بر جمعیت به دلیل ساختار جمعیتی آن، به طور میانگین نسبت به دو الگوریتم دیگر کارایی بهتری دارد.