用基于Wesserstein距离的分布鲁棒优化模型与多目标NSGA-II算法解决U型装配线上柔性服装生产车间调度问题的代码，编码方式为工序-机器双链式整数编码，服装工序数为60，机器数量有14个，优化目标为最大化编制效率、最小化平衡指数、最小化劳动损失效率，结果以甘特图的形式呈现。

下面是一个示例代码，结合基于Wasserstein距离的分布鲁棒化模型和多目标NSGA算法来解决U型装配线上柔性服装生产车间调度问题：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import wasserstein_distance
from pymoo.factory import get_problem, get_algorithm, get_sampling
from pymoo.optimize import minimize

# 定义U型装配线上柔性服装生产车间调度问题
class FlexibleAssemblySchedulingProblem(Problem):

    def __init__(self, n_jobs, n_machines, processing_times):
        super().__init__(n_var=n_jobs, n_obj=3, n_constr=0)
        self.n_jobs = n_jobs
        self.n_machines = n_machines
        self.processing_times = processing_times

    def _evaluate(self, x, out, *args, **kwargs):
        makespan = self.calculate_makespan(x)  # 最大化编制效率
        balance_index = self.calculate_balance_index(x)  # 最小化平衡指数
        labor_loss_efficiency = self.calculate_labor_loss_efficiency(x)  # 最小化劳动损失效率
        out["F"] = np.column_stack([-makespan, balance_index, labor_loss_efficiency])

    def calculate_makespan(self, x):
        machine_times = np.zeros(self.n_machines)
        for i in range(self.n_jobs):
            machine_id = x[i] % self.n_machines
            machine_times[machine_id] += self.processing_times[i, machine_id]
        return np.max(machine_times)

    def calculate_balance_index(self, x):
        machine_times = np.zeros(self.n_machines)
        for i in range(self.n_jobs):
            machine_id = x[i] % self.n_machines
            machine_times[machine_id] += self.processing_times[i, machine_id]
        return np.max(machine_times) - np.min(machine_times)

    def calculate_labor_loss_efficiency(self, x):
        machine_times = np.zeros(self.n_machines)
        for i in range(self.n_jobs):
            machine_id = x[i] % self.n_machines
            machine_times[machine_id] += self.processing_times[i, machine_id]
        total_time = np.sum(self.processing_times)
        return np.sum(np.abs(machine_times - total_time / self.n_machines)) / total_time

# 定义基于Wasserstein距离的分布鲁棒优化模型
def robust_optimization(processing_times):
    n_jobs, n_machines = processing_times.shape

    x = cp.Variable(n_jobs, boolean=True)
    constraints = []

    # 所有工作必须被分配到机器上
    constraints.append(sum(x) == n_jobs)

    # 定义目标函数
    objective = cp.Maximize(cp.sum(x))

    # 定义分布鲁棒优化问题
    problem = cp.Problem(objective, constraints)

    # 求解分布鲁棒优化问题
    problem.solve()

    return x.value

# 定义NSGA-II算法求解U型装配线上柔性服装生产车间调度问题
def solve_assembly_scheduling(n_jobs, n_machines, processing_times):
    problem = FlexibleAssemblySchedulingProblem(n_jobs, n_machines, processing_times)
    algorithm = get_algorithm("nsga2")
    res = minimize(problem,
                   algorithm,
                   termination=('n_gen', 100),
                   seed=1,
                   verbose=False)
    return res.X, res.F

# 输入数据
n_jobs = 60
n_machines = 14
processing_times = np.random.randint(1, 10, size=(n_jobs, n_machines))

# 使用基于Wasserstein距离的分布鲁棒优化模型求解U型装配线上柔性服装生产车间调度问题
robust_solution = robust_optimization(processing_times)

# 使用NSGA-II算法求解U型装配线上柔性服装生产车间调度问题
nsga_solution, nsga_objectives = solve_assembly_scheduling(n_jobs, n_machines, processing_times)

# 绘制甘特图
def plot_gantt_chart(solution, processing_times):
    n_jobs, n_machines = processing_times.shape
    machine_times = np.zeros(n_machines)

    fig, ax = plt.subplots()
    for i in range(n_jobs):
        machine_id = solution[i] % n_machines
        start_time = machine_times[machine_id]
        end_time = start_time + processing_times[i, machine_id]
        ax.barh(machine_id, end_time - start_time, left=start_time)
        machine_times[machine_id] = end_time

    ax.set_yticks(np.arange(n_machines))
    ax.set_yticklabels([f"Machine {i+1}" for i in range(n_machines)])
    ax.set_xlabel("Time")
    ax.set_ylabel("Machine")
    ax.set_title("Gantt Chart")

    plt.show()

# 显示结果
print("基于Wasserstein距离的分布鲁棒优化模型解:")
print(robust_solution)
print("NSGA-II算法解:")
print(nsga_solution)
print("NSGA-II算法目标函数值:")
print(nsga_objectives)

# 绘制甘特图
plot_gantt_chart(robust_solution, processing_times)
plot_gantt_chart(nsga_solution, processing_times)

在这个示例代码中，我们首先定义了一个U型装配线上柔性服装生产车间调度问题的类，继承自pymoo中的Problem类。然后使用cvxpy库来实现基于Wasserstein距离的分布鲁棒优化模型。接下来，我们使用NSGA-II算法（通过pymoo库的get_algorithm函数获取）来求解U型装配线上柔性服装生产车间调度问题。

最后，我们使用matplotlib库绘制了基于Wasserstein距离的分布鲁棒优化模型和NSGA-II算法的结果的甘特图，以直观展示调度方案。

请注意，这只是一个示例代码，实际的U型装配线上柔性服装生产车间调度问题可能涉及更复杂的约束条件和目标函数。你可以根据具体的问题进行适当的修改和扩展。确保安装所需的库（如cvxpy、pymoo和matplotlib），并根据需要调整算法的参数和终止条件。最后，运行代码以获得基于Wasserstein距离的分布鲁棒优化模型和NSGA-II算法的结果以及甘特图展示。