随着制造系统节能问题的日益突出,绿色调度已成为制造系统领域研究的热点和关键问题。零等待流水车间调度作为一类典型调度问题,具有重要的工业应用价值,因而受到广泛的研究。很多已有的生产过程优化问题研究中,对调度模型做了很大的简化,没有考虑能源消耗约束。由于带能源约束的零等待流水车间调度问题内在的复杂性,传统的精确求解算法无法求解。而智能优化算法因其不依赖问题的数学模型,也不需要梯度信息,因而在复杂优化问题的求解中得到了广泛的应用。差分进化算法是一类典型的群体智能优化算法,因它的控制参数少、易于实现、简单而强有力的搜索框架而得到广泛研究和应用。本课题针对零等待流水车间的节能调度问题,提出协同学习型差分进化算法及两阶段协同演化算法,具体内容如下:(1)一个带有限内存的拟牛顿法的CMA-ES扰动辅助的混合协同差分进化算法(A hybrid cooperative differential evolution with the perturbation of CMAES with local search of Limited-Memory Broyden–Fletcher–Goldfarb–Shanno(LBFGS)mechanism,jSO_CMA-ES_LBFGS)被提出去解决复杂连续优化问题。在该算法中,jSO作为一个差分进化算法的变体,被用作全局搜索算子去探索整个解空间。当种群陷入停滞状态时,CMA-ES被激活去扰动当前最优解并为局部搜索算子提供相对可靠的初始解。有限内存的拟牛顿法作为一种局部搜索策略嵌入在CMA-ES中去获取潜在的局部最优解。jSO和带局部搜索机制的CMA-ES形成一个协同进化的动态系统。将提出的jSO_CMA-ES_LBFGS在CEC2017标准测试集上与其它五种典型差分进化算法的变体进行对比,实验结果证实本文提出的算法是有效性且高效的。(2)在问题层面,针对CEC2017标准测试函数,使用交互学习的方法检测出函数变量之间的相互依赖关系。根据这种关系,将函数变量进行分组。并在差分进化算法框架中,提出一种基于变量分组学习的最优解构造方法(Constructive Learning Differential Evolution Algorithm,CLDE)去求解CEC2017标准测试集的变量部分可分函数。提出的算法与其母体算法相比,搜索性能具有显著提升。(3)在研究差分进化算法运行机制的基础上,本文提出一个具有问题特定知识的两阶段协同演化算法(A Two-Stage Cooperative Evolution Algorithm with Problem-specific Knowledge for Energy-Efficient Scheduling of No-wait Flow-Shop Problem,TS-CEA)去解决带最小化工件最大完工时间和机器总能耗两个指标的零等待流水车间节能调度问题(Energy-Efficient Scheduling of No-wait Flow-Shop Problem,EENWFSP)。在分析了问题的属性后,TS-CEA首先使用两个构造型启发式算法被提出去产生初始解。随后在TS-CEA的第一个阶段,迭代局部搜索策略(Iterative Local Search Strategy,ILS)被使用去搜索潜在的极值解。此外,一个混合邻域结构被设计去改善解的质量。在TS-CEA的第二个阶段,一个基于关键路径知识的变异策略被提出去扩散极值解到整个已经找到的非支配前沿面。在TS-CEA的迭代过程中,ILS和变异策略形成一个协同演化的闭环系统。与一些先进算法对比证实TS-CEA在求解EENWFSP时的有效性和高效性。