حل مسائل با پیچیدگی محاسباتی زیاد، همواره یکی از چالش های محققان برای رسیدن به پاسخ-های بهینه بوده و هست. اما از آنجایی که حل چنین مسائلی با استفاده از روش های دقیق و غیرهوشمند، بسیار مشکل است، اغلب رویکردها در سال های اخیر بر روی روش های تقریبی و فراابتکاری معطوف شده است. در این پژوهش، روش جدیدی در ترکیب الگوریتم های فراابتکاری برای حل مسئله زمان بندی کار کارگاهی انعطاف پذیر در شرایط چندهدفی ارائه شده است. این مسئله که نوع تعمیم یافته مسئله کلاسیک زمان بندی کار کارگاهی است، جزء مسائل np-hard محسوب می شود. معمولاً در خصوص استفاده از روش های جستجوی محلی، دغدغه اصلی برای رسیدن به بهینه سراسری، انتخاب نقاط شروع مناسب است. از طرفی روش های مبتنی بر جمعیت، توانمندی قابل توجهی در شناسایی فضای حالت دارند. لذا در این پژوهش، الگوریتم ژنتیک توسعه یافته ای با تکیه بر پارامتر جدید همسایگی ارائه شده است که هدف از آن شناسایی چند خوشه در اطراف نواحی برازنده-تر است. ورودی این الگوریتم، یک جمعیت اولیه از راه حل های امکان پذیر با توزیع یکنواخت است و نحوه شکل گیری خوشه ها نیز کاملاً پویا است. پس از آن، بهترین راه حل هر خوشه، نماینده مناسبی برای نقطه شروع در روش های جستجوی محلی به شمار می رود. لذا با اجرای موازی الگوریتم های جستجوی محلی و مقایسه نتایج آنها، راه حل بهینه سراسری حاصل می شود. نتایج محاسباتی بر روی نمونه مسائل معروف نشان می دهد که راه حل های بهینه سریع تر و پایدارتر از سایر روش ها به دست می آید.