There is growing interest in energy-efficient production scheduling research because of the increasing energy shortage. However, most existing studies along this line of research have not considered the energy consumed by automated guided vehicles (AGVs) used in modern smart factories for production scheduling purposes. In this paper, we study an energy-efficient open-shop scheduling problem with multiple AGVs and deteriorating jobs. A multi-objective model with four objectives is formulated, aiming to simultaneously minimise the maximum ending time of all AGVs, the total idle time of machines and AGVs, the total tardiness of jobs, and the total energy consumption of machines and AGVs. An improved population-based multi-objective differential evolution (IMODE) algorithm is developed to solve the problem. The IMODE makes use of a problem feature-based heuristic and a mean entropy method to enhance the diversity of its initial population. A novel grey entropy parallel analysis-based fitness evaluation mechanism with reference points is adopted to evaluate the candidate solutions. To improve the local search ability of IMODE, a multi-level local search strategy is used. In the experimental study, Taguchi analysis is employed to obtain the best parameter combination. The effects of the main components of IMODE are validated via comprehensive comparison experiments. Extensive experimental results show that the IMODE is preferable to other well-known multi-objective algorithms at solving the problem being considered.

由于能源短缺日益严重，人们对节能生产调度研究的兴趣日益浓厚。然而，沿着这条研究路线的大多数现有研究都没有考虑现代智能工厂中用于生产调度目的的自动导引车 (AGV) 所消耗的能量。在本文中，我们研究了具有多个 AGV 和恶化工作的节能开放式车间调度问题。建立了一个具有四个目标的多目标模型，旨在同时最小化所有 AGV 的最大结束时间、机器和 AGV 的总空闲时间、作业的总迟到以及机器和 AGV 的总能耗。为了解决这个问题，开发了一种改进的基于种群的多目标差分进化（IMODE）算法。IMODE 利用基于问题特征的启发式方法和平均熵方法来增强其初始种群的多样性。采用一种新颖的基于灰色熵并行分析的带有参考点的适应度评估机制来评估候选解。为了提高IMODE的局部搜索能力，采用了多级局部搜索策略。在实验研究中，采用田口分析来获得最佳参数组合。通过综合对比实验验证了IMODE主要成分的效果。大量的实验结果表明，在解决所考虑的问题时，IMODE 优于其他著名的多目标算法。采用一种新颖的基于灰色熵并行分析的带有参考点的适应度评估机制来评估候选解。为了提高IMODE的局部搜索能力，采用了多级局部搜索策略。在实验研究中，采用田口分析来获得最佳参数组合。通过综合对比实验验证了IMODE主要成分的效果。大量的实验结果表明，在解决所考虑的问题时，IMODE 优于其他著名的多目标算法。采用一种新颖的基于灰色熵并行分析的带有参考点的适应度评估机制来评估候选解。为了提高IMODE的局部搜索能力，采用了多级局部搜索策略。在实验研究中，采用田口分析来获得最佳参数组合。通过综合对比实验验证了IMODE主要成分的效果。大量的实验结果表明，在解决所考虑的问题时，IMODE 优于其他著名的多目标算法。田口分析用于获得最佳参数组合。通过综合对比实验验证了IMODE主要成分的效果。大量的实验结果表明，在解决所考虑的问题时，IMODE 优于其他著名的多目标算法。田口分析用于获得最佳参数组合。通过综合对比实验验证了IMODE主要成分的效果。大量的实验结果表明，在解决所考虑的问题时，IMODE 优于其他著名的多目标算法。