Este estudio se enfoca en el problema de programación de tareas para el Flexible Job Shop Scheduling Problem (FJSSP), que por sus características se asemeja a los sistemas de manufactura actuales con alta flexibilidad, donde una operación puede ser realizada por varias máquinas. Se presenta un novedoso algoritmo híbrido llamado GA-RRHC. Se propone un método de optimización híbrida con un enfoque jerárquico, aplicando Algoritmos Genéticos (GA) como método de búsqueda global, implementando diferentes operadores, de mutación y cruce, aplicando una vecindad inspirada en los autómatas celulares (CA), seleccionando la mejor solución. Se refina la solución con una búsqueda local implementando la escalada de colinas con reinicio (RRHC) donde se explota la información de las celdas inteligentes (smart cells) para minimizar el makespan, mediante pequeños cambios, perfeccionando la nueva mejor solución. El punto novedoso es la hibridación del algoritmo GA y el RRHC en el FJSSP, conjuntamente con la aplicación de la vecindad tipo CA en un GA para un problema FJSSP ya que hasta el momento no se han aplicado juntos. Los algoritmos propuestos se implementaron en Matlab. Para comprobar la eficiencia del algoritmo se comparó el GA-RRHC con otros métodos propuestos, se prueba tomando los experimentos de 4 bancos de prueba. Se aplicó una prueba estadística utilizando la desviación porcentual (RDP) y la prueba de Friedman como método de validación, obteniendo resultados satisfactorios, demostrando que el GA-RRHC es un método competitivo en comparación de otros algoritmos de la literatura para instancias FJSSP con alta flexibilidad.