新空调投放到市场前需针对不同环境工况进行大量焓差实验,而实验台在创造测试所要求工况（“打工况”）的过程中需要消耗大量电量。以本文调研企业为例,作为空调测试行业的标杆,该企业每年进行空调测试需消耗约1500万千瓦时电力,电费高达1200万元人民币。若能够通过运筹优化手段合理安排测试计划以减少电力消耗,将具有较大的经济及社会价值。通过调研发现,行业内存在以下几点共性问题。首先,打工况时间与测试任务的顺序相关,使得任务的打工况时间难以确定。这导致了第二个问题,即企业难以充分利用分时电价政策以节省电费。第三,根据制定好的测试计划,在对人员排班的过程中难以同时兼顾经济性和公平性等多个准则,在测试不同阶段对所需人员数目的不同更增加了问题的复杂程度。该共性问题不仅存在于焓差实验企业,也广泛存在于其他生产企业。对该问题的研究具有较大的研究及应用价值。企业的智能化建设收集了大量生产过程数据,为有效解决这三个问题提供了契机。首先,通过大数据挖掘,能较好地预测未知变量,得到不同任务顺序下的测试时间及耗电量。因此,也能更好地根据分时电价进行任务调度。然后,根据合理的任务调度结果,能实现更好的人员排班。遵循这一思路,本文进行了以下几点的工作:首先,对企业实验室内部传感设备收集到的多种数据进行清洗、探索性、相关性及显著性分析,然后筛选出与机器调整时间相关的特征变量。针对机器调整时间序列相关且无法用常规分布函数描述的情况,构建一种基于随机森林回归的预测模型对其进行预测,为后面任务调度问题求解奠定基础。第二,针对数据挖掘和数学规划分阶段求解思路的不足,提出一种基于随机森林和遗传算法的混合（RF-GA）算法,能快速预测当任务序列变化后相应的耗时及耗电量。为了满足现实测试安排对求解算法在质量、收敛速度和鲁棒性等方面的较高要求,提取空调测试任务主要特征信息将任务调度问题转化为一类广义旅行商问题,并选择一种适合本问题特征的Inver-over算子遗传算法应用到混合算法当中。最后设计仿真实验产生各种规模的测试算例验证本文所提混合算法在求解效果和效率方面的有效性。第三,提出利用代理模型对可行解进行拟合的思路,对混合算法求解结果进一步优化。宽度学习系统由于其较高的计算效率作为本文的代理模型。利用混合算法得到一系列较优解作为代理模型的训练数据,再利用梯度下降法进一步寻找问题的更优解。实验结果表明,该方法对本问题有较好的适用性。第四,基于任务调度结果,进行人员排班问题的研究。针对人员加班需要一定加班费、限制连续上班时间等多个经济性及公平性准则得到排班模型,然后利用遗传算法对人员排班问题进行求解。同时,本文讨论了对调度和排班问题联合及分阶段求解的难点及解决办法。最后,综合考虑任务调度和人员排班成本,将本文所提出方法应用于企业实际测试,结果表明本文所提方法可大幅降低企业的能源消耗和总支出成本,能缩短约25%的工况时长,提升18%的节能效率,节省企业支出约180,000元/月,具有较好的经济及社会效益。