El problema de programación de taller (JSSP) tiene una alta importancia teórica y práctica en la academia y la fabricación respectivamente. Por lo tanto, académicos de diferentes campos se han sentido atraídos a estudiar este problema, y se han propuesto muchos algoritmos metaheurísticos para resolverlo. Como algoritmo metaheurístico, la optimización por enjambre de partículas (PSO) se ha utilizado para optimizar muchos problemas prácticos en la fabricación industrial. Este artículo propone un PSO híbrido mejorado con peso de inercia no lineal y mutación gaussiana (NGPSO) para resolver JSSP. El peso de inercia no lineal mejora las capacidades de búsqueda local de PSO, mientras que la estrategia de mutación gaussiana mejora la capacidad de búsqueda global de NGPSO, lo que beneficia a la población para mantener la diversidad y reducir la probabilidad de que el algoritmo caiga en la solución óptima local. El algoritmo NGPSO propuesto se implementa para resolver 62 instancias de referencia de JSSP, y los resultados experimentales se comparan con otros algoritmos. Los resultados obtenidos al analizar los datos experimentales muestran que el algoritmo es mejor que otros algoritmos de comparación en la resolución de JSSP.