Considerando los requisitos del proceso de programación de la producción actual, la utilización del enfoque hiperheurístico de programación genética (GPHH) para diseñar automáticamente reglas de despacho (DRs) ha surgido recientemente como un enfoque de optimización popular. Sin embargo, los objetos de decisión y los entornos de decisión para las decisiones de enrutamiento y secuenciación son diferentes en el problema de programación de taller flexible dinámico (DFJSSP), lo que conduce a la necesidad de información de características diferentes. Los algoritmos tradicionales que permiten que estos dos tipos de decisiones de programación compartan un conjunto común de características no son propicios para la optimización adicional de los DRs evolucionados, sino que introducen intentos de búsqueda redundantes e innecesarios para la optimización del algoritmo. Para abordar esto, algunos estudios relacionados se han centrado en personalizar los conjuntos de características para las decisiones de enrutamiento y secuenciación a través de la selección de características al resolver problemas de objetivo único. Si bien son efectivos para reducir el espacio de búsqueda, los conjuntos de características seleccionadas también disminuyen la diversidad de los DRs obtenidos, lo que finalmente afecta el rendimiento de la optimización. En consecuencia, este documento propone un GPHH mejorado con conjuntos de pesos de características duales para el DFJSSP energéticamente eficiente de múltiples objetivos, que incluye dos medidas de peso de características novedosas y una estrategia novedosa de ajuste de población híbrida. En lugar de seleccionar características adecuadas, el algoritmo propuesto asigna pesos apropiados a las características en función de su contribución multiobjetivo, lo que podría proporcionar orientación direccional al GPHH mientras se asegura el espacio de búsqueda. Los resultados experimentales demuestran que, en comparación con estudios existentes, el algoritmo propuesto puede mejorar significativamente el rendimiento de optimización y la interpretabilidad de los DRs energéticamente eficientes.