Este documento aborda el problema de programación de flujos de trabajo de permutación verde (GPFSP) con consideración del consumo de energía, con el objetivo de minimizar el tiempo máximo de finalización y el consumo total de energía como objetivos de optimización, y propone un nuevo método que integra el aprendizaje por refuerzo profundo de extremo a extremo (DRL) con el algoritmo evolutivo multiobjetivo basado en descomposición (MOEA/D), denominado GDRL-MOEA/D. Para mejorar la calidad de las soluciones, el estudio primero emplea DRL para modelar el PFSP como un modelo de secuencia a secuencia (DRL-PFSP) para obtener soluciones relativamente mejores. Posteriormente, las soluciones generadas por el modelo DRL-PFSP se utilizan como la población inicial para el MOEA/D, y se incorpora la estrategia de ahorro de energía por aplazamiento de trabajos propuesta para mejorar la efectividad de la solución del MOEA/D. Finalmente, al comparar el GDRL-MOEA/D con el MOEA/D, NSGA-II, el algoritmo de depredadores marinos (MPA), el algoritmo de búsqueda de gorriones (SSA), el algoritmo de colibrí artificial (AHA) y el algoritmo de optimización de gaviotas (SOA) a través de pruebas experimentales, los resultados demuestran que el GDRL-MOEA/D tiene una ventaja significativa en términos de calidad de solución.