1.一种用于车间调度的遗传算法中种群个体初始化的方法，其特征是，包括以下步骤：基于均匀设计对函数的边界进行处理，生成均匀覆盖初始个体，所述初始个体为车间调度的工序；

基于局部搜索对生成的初始个体进行优化，生成优化后的初始个体；

对优化后的初始个体进行聚合处理；

对聚合处理后的初始个体进行聚类处理构建初始种群；所述初始种群为优化后的车间调度工序；

所述基于均匀设计对函数的边界进行处理，生成均匀覆盖初始个体，包括：将所求函数边界的平面空间正交等分成m*m，得到m*m个正交均匀覆盖解，其中，m为正整数；

n

对初始化的种群个体设置均匀设计表，均匀设计表为Um*(m)，其中， x为初始化的种群个体，n=INT(x)*2+1；

将整体搜索空间按照均匀设计表划成m*n个子空间，和该子空间的中心相近的正交的初始化个体作为初始种群个体的数据；

所述基于局部搜索对生成的初始个体进行优化，生成优化后的初始个体，包括：计算出每个初始种群的目标函数值 ，然后计算其相邻的十字方向上其它各点的值 f（j），j∈（1，2，3，4）；

如果有一点的函数值更优则表示搜索成功，那么xi变为更优的点坐标，且下次搜索时以最新的点坐标为中心，新步长=旧步长*加速变量α扩大搜索范围，α≥1，如果没有找到这样的点则表示搜索失败，仍以 xi为中心，新步长=旧步长*缩减率β缩小搜索范围，0<β<1；

重复上述搜索操作，直至步长小于搜索精度ε为止。

2.根据权利要求1所述的用于车间调度的遗传算法中种群个体初始化的方法，其特征是，所述对优化后的初始个体进行聚合处理，包括：确定两个距离T1和T2，T1>T2；在优化后的初始个体中的随机取出一个个体 作为一个canopy中心，计算个体集中其他个体到该canopy中心的距离d，将d

3.根据权利要求2所述的用于车间调度的遗传算法中种群个体初始化的方法，其特征是，所述对聚合处理后的初始个体进行聚类处理构建初始种群，包括：根据canopy中心确定K‑means方法的中心；

计算每个样本个体到各个质心的距离；

根据距离最近的质心确定样本的簇标记；

将所有样本配置到各个簇中；

更新每个簇的质心，所述质心为该簇包含的所有样本的均值；

循环迭代以上过程，直到所有子部分的中心都不再变化；或者达到别的设定停止条件。

4.一种用于车间调度的遗传算法中种群个体初始化的装置，其特征是，包括：均匀设计模块，用于基于均匀设计对函数的边界进行处理，生成均匀覆盖初始个体，所述初始个体为车间调度的工序；

优化模块，用于基于局部搜索对生成的初始个体进行优化，生成优化后的初始个体；

聚合模块，用于对优化后的初始个体进行聚合处理；

聚类模块，用于对聚合处理后的初始个体进行聚类处理构建初始种群，所述初始种群为优化后的车间调度工序；

所述均匀设计模块，包括：

空间正交模块，用于将所求函数边界的平面空间正交等分成m*m，得到m*m个正交均匀覆盖解，m为正整数；

n

设计表设置模块，用于对初始化的种群个体设置均匀设计表，均匀设计表为Um*(m)，其中， x为初始化的种群个体，n=INT(x)*2+1；

空间划分模块，用于将整体搜索空间按照均匀设计表划成m*n个子空间，和该子空间的中心相近的正交的初始化个体作为初始种群个体的数据；

所述优化模块，具体用于:

计算出每个初始种群的目标函数值  ，然后计算其相邻的十字方向上其它各点的值 f（j），j∈（1，2，3，4）；

如果有一点的函数值更优则表示搜索成功，那么xi变为更优的点坐标，且下次搜索时以最新的点坐标为中心，新步长=旧步长*加速变量α扩大搜索范围，α≥1，如果没有找到这样的点则表示搜索失败，仍以xi为中心，新步长=旧步长*缩减率β缩小搜索范围，0<β<1；

重复上述搜索操作，直至步长小于搜索精度ε为止。

5.根据权利要求4所述的用于车间调度的遗传算法中种群个体初始化的装置，其特征是，所述聚合模块具体用于：确定两个距离T1和T2，T1>T2；在优化后的初始个体中的随机取出一个个体 作为一个canopy中心，计算个体集中其他个体到该canopy中心的距离d，将d

6.根据权利要求5所述的用于车间调度的遗传算法中种群个体初始化的装置，其特征是，所述聚类模块具体用于：根据canopy中心确定K‑means方法的中心；

计算每个样本个体到各个质心的距离；

根据距离最近的质心确定样本的簇标记；

将所有样本配置到各个簇中；

更新每个簇的质心，所述质心为该簇包含的所有样本的均值；

循环迭代以上过程，直到所有子部分的中心都不再变化；或者达到别的设定停止条件。