遗传编程（GP）已被广泛用于学习动态柔性作业车间调度（DFJSS）的调度规则，但训练得到的规则往往只能在规模和分布相似的任务上表现良好。任务特征变化时，规则性能会显著下降；在新任务上微调预训练规则又容易出现灾难性遗忘，即丢失已有知识。为此，本文提出一种面向终身学习的代理辅助 GP 方法，能够在连续的异构 DFJSS 任务（包括作业或批次到达）中保持适应性并保留过去经验。框架包含三大核心：① 自适应两阶段训练策略，在塑性与稳定性之间动态平衡；② 基于任务相似度的加权机制，调节知识复用程度；③ 引入距离约束的改进代理模型，提高评估精度。实验在多个基准 DFJSS 场景下进行，对比多种已有方法，结果表明该方法显著抑制了灾难性遗忘，同时保持了强大的适应能力，展示了终身 GP 在动态调度环境中的潜力。\n\n点评：该工作通过巧妙的训练调度和代理模型设计，为 GP 在实际生产调度中的持续学习提供了可行路径，值得进一步在更大规模和更复杂的工业场景中验证。