1.一种多目标混合流水车间调度方法，其特征在于，包括如下步骤：根据实际混合流水车间的生产特点，建立多目标混合流水车间调度模型，包括最大完工时间和子批总数两个目标；

构建可配置的MOEA框架，收集混合流水车间调度的多组测试实例；

按照以下过程进行迭代，得到最优算法配置：

步骤01：基于测试实例，筛选出优良算法配置；根据优化指标的预设阈值确定算法的优良；

步骤02：基于优良算法配置构建F‑Race学习模型；

步骤03：基于测试过的算法配置构建CART模型；

步骤04：利用F‑Race学习模型构建全新的算法配置；

步骤05：利用CART模型对全新的算法配置进行性能预测；

步骤06：判断是否满足迭代终止条件，如果满足，输出最优算法配置；如果不满足，则基于预测为性能优良的算法配置进入下一次迭代，执行步骤01；

其中，F‑Race学习模型用于生成新的算法配置，CART模型用于预测新算法配置的性能；

其中，可配置的MOEA框架根据当前配置的适应度评估算法，选用种群进化方法，并采用协同搜索、局部搜索和种群重启策略，输出当前实例的帕累托最优解；适应度评估算法包括：基于分解的方法DBM、基于非支配排序的方法NSBM和基于指标的方法IBM。

2.根据权利要求1所述的多目标混合流水车间调度方法，其特征在于，根据优化过程中产生的实时数据实例构建CART模型包括：以评估过的算法配置为训练数据，以参数值为特征，评估结果为标签，根据优化指标的预设阈值，确定标签类型，标签类型包括：“优良”和“劣质”。

3.根据权利要求2所述的多目标混合流水车间调度方法，其特征在于，对于F‑Race学习模型产生的新配置，采用CART模型预测配置性能，具体包括如下步骤：步骤S001：根据评估过的算法配置构建CART模型；

步骤S002：对F‑Race学习模型进行采样，生成一系列新的算法配置；

步骤S003：利用CART模型对新的算法配置进行预测，预测为“优良”的算法配置保留，预测为“劣质”的算法配置抛弃；

步骤S004：挖掘预测为“优良”的算法配置信息，生产新的F‑Race学习模型。

4.根据权利要求1所述的多目标混合流水车间调度方法，其特征在于，可配置MOEA框架算法包括如下步骤：根据可配置的初始化方法初始化种群P；

迭代过程包括：

根据可配置的适应度值评估方法的不同，在不同邻域内选择交配个体生成子代种群OP；

利用可配置的解码方法通过协同搜索获得种群P和子代种群OP中个体的目标值，并针对可配置的适应度值评估方法的不同，进行相应的种群评估；

针对配置的适应度值评估方法的不同，进行相应的环境选择；

采用可变邻域下降策略进行局部搜索，如果使用邻域结构的连续失败更新次数达到预设的最大连续更新失败次数，则邻域结构将切换到下一个领域；

如果使用协作搜索和邻域结构的连续失败更新次数小于最大连续更新失败次数，对种群P中的每个个体执行种群重启方法；

若达到迭代终止条件，则迭代结束，输出进化过程中找到的帕累托非支配解，否则返回迭代过程。

5.根据权利要求4所述的多目标混合流水车间调度方法，其特征在于，初始化种群过程中，如果适应度值评估方法为基于分解的方法DBM，则生成一组均匀分布的权重向量，并且给每个个体分配一个唯一的权向量。

6.根据权利要求5所述的多目标混合流水车间调度方法，其特征在于，根据配置的适应度值评估方法的不同，在不同邻域内选择交配个体生成子代种群，具体包括：根据配置的适应度值评估方法的不同，通过对种群中选择的交配个体进行可配置的协同方法，产生一个大小为预设种群规模ps的子代种群，具体为：如果适应度值评估方法为基于分解的方法DBM，则每个个体在邻域大小为预设邻域规模ns的邻域中选择交配对象，执行可配置的协同方法产生后代，直至产生一个大小为预设种群规模ps的子代种群；

如果适应度值评估方法为基于非支配排序的方法NSBM和基于指标的方法IBM，则在预设锦标赛规模ts的锦标赛规则中选择两个交配个体，执行协同方法产生后代，重复该过程预设种群规模ps次，产生一个大小为预设种群规模ps的子代种群。

7.根据权利要求5所述的多目标混合流水车间调度方法，其特征在于，利用解码方法通过协同搜索获得种群P和子代种群OP中个体的目标值，并针对配置的适应度值评估方法的不同，进行相应的种群评估，具体包括：利用可配置的解码方法获得种群P和子代种群OP中个体的目标值；

根据配置的适应度值评估方法的不同使用对应的适应度值评估方法为其分配适应度值：如果适应度值评估方法为基于分解的方法DBM，则采用基于分解的方法DBM进行适应度值评估；

如果适应度值评估方法为基于非支配排序的方法NSBM，则采用基于非支配排序的方法NSBM进行适应度值评估；

如果适应度值评估方法为基于指标的方法IBM，则采用基于指标的方法IBM进行适应度值评估。

8.根据权利要求5所述的多目标混合流水车间调度方法，其特征在于，针对配置的适应度值评估方法的不同，进行相应的环境选择，具体为根据配置的适应度值评估方法的不同通过对应的不同环境选择方法，利用子代种群OP更新种群P，具体包括：如果适应度值评估方法为基于分解的方法DBM，则采用基于分解的方法DBM利用子代种群OP更新种群P，将子代种群OP中每个个体与种群P中具有相同权重向量及其邻域个体进行比较，如果子代种群OP中的个体具有更好的适应度值，则将种群P中的个体更新为子代种群OP中的个体；

如果适应度值评估方法为基于非支配排序的方法NSBM，则将子代种群OP合并到种群P中，按快速非支配排序方法对种群中的个体进行排序，保留前预设种群规模ps个个体在种群P中；

如果适应度值评估方法为基于指标的方法IBM，则采用基于指标的方法IBM，将子代种群OP合并到种群P中，将适应度值最低的个体依次去除，直到种群P中剩余预设种群规模ps个个体。

9.根据权利要求4所述的多目标混合流水车间调度方法，其特征在于，如果使用协作搜索和邻域结构的连续失败更新次数小于最大连续更新失败次数，对种群P中的每个个体执行种群重启方法，具体为使用可配置的种群重启方法来生成替换种群P中的每个个体的替代品，否则，种群P中的个体保持不变。

10.一种多目标混合流水车间调度系统，其特征在于，使用权利要求1‑9任一项所述的多目标混合流水车间调度方法，包括多台流水车间待调度设备和控制调度模块；

控制调度模块，根据实际混合流水车间的生产特点，建立多目标混合流水车间调度模型，包括最大完工时间和子批总数两个目标；构建可配置的MOEA框架，收集混合流水车间调度的多组测试实例；基于测试实例，筛选优良算法，基于优良算法配置构建F‑Race学习模型；

基于测试过的算法配置构建CART模型；利用F‑Race学习模型构建全新的算法配置；利用CART模型对全新的算法配置进行性能预测；基于预测为优良的算法反复进行迭代，得到最优算法配置；根据最优算法配置选择流水车间待调度设备，发出调度指令；

流水车间待调度设备收到控制调度模块发出的调度指令后执行相应的操作。