本發(fā)明屬于半導(dǎo)體生產(chǎn)調(diào)度與控制
技術(shù)領(lǐng)域：
，涉及一種用于半導(dǎo)體生產(chǎn)線過程中并行批處理機(jī)動(dòng)態(tài)調(diào)度的快速評(píng)估方法。
背景技術(shù)：
：近年來由于復(fù)雜半導(dǎo)體制造系統(tǒng)市場產(chǎn)品定制化需求，呈現(xiàn)多品種、小批量生產(chǎn)的特點(diǎn)。批處理機(jī)普遍存在于晶圓制造環(huán)節(jié)中的擴(kuò)散區(qū)和氧化區(qū)，同時(shí)由于批量加工消耗時(shí)間長，常常成為制約整個(gè)系統(tǒng)性能的瓶頸工序。因此，實(shí)際生產(chǎn)中有效而快速地給出調(diào)度決策方案，將會(huì)提升系統(tǒng)性能并擴(kuò)大產(chǎn)能。根據(jù)分解思想將復(fù)雜大規(guī)模問題劃分為若干容易解決的子問題，但這些處在不同層次的子問題之間存在著強(qiáng)耦合關(guān)系，通常上層決策作為下層決策的基礎(chǔ)，反過來下層最優(yōu)決策指導(dǎo)上層決策不斷調(diào)整。利用進(jìn)化算法搜索最優(yōu)調(diào)度解的過程中，由于消耗時(shí)間長且容易收斂“早熟”而不能簡單地嵌套使用。為了加快搜索進(jìn)程，采用代理模型技術(shù)估計(jì)評(píng)價(jià)大部分解的性能指標(biāo)，代替費(fèi)時(shí)的真實(shí)評(píng)價(jià)過程，這樣采用粗評(píng)價(jià)與精準(zhǔn)評(píng)價(jià)相結(jié)合的方式，促進(jìn)了進(jìn)化算法快速?zèng)Q策調(diào)度方案在實(shí)際生產(chǎn)中的應(yīng)用?；谀Ｐ秃喕枷?，Tsung-CheChiang在2013年發(fā)表的一篇綜述性文章“Enhancingrule-basedschedulinginwaferfabricationfacilitiesbyevolutionaryalgorithms:Reviewandopportunity”中提出了幾種調(diào)度模型簡化求解方式。一種為通過識(shí)別機(jī)器或階段的瓶頸指標(biāo)，減少其在仿真模型的數(shù)量，從而達(dá)到縮短仿真時(shí)間的目的；另一種為通過構(gòu)建計(jì)算代價(jià)小的代理模型，取代真實(shí)耗時(shí)的仿真模型，簡化調(diào)度性能評(píng)價(jià)過程。本發(fā)明便是沿著后者的思路，從改進(jìn)調(diào)度方案求解方法的角度，在保證較高的解質(zhì)量前提下，大大降低了進(jìn)化算法評(píng)價(jià)環(huán)節(jié)的計(jì)算代價(jià)。運(yùn)用進(jìn)化算法獲取復(fù)雜半導(dǎo)體制造系統(tǒng)最優(yōu)調(diào)度方案中存在如下問題：(1)進(jìn)化算法搜索過程中需要大量的適應(yīng)值評(píng)價(jià)，計(jì)算代價(jià)大的問題往往成為制約進(jìn)化算法充分搜索的瓶頸，考慮降低評(píng)價(jià)復(fù)雜度或減少評(píng)價(jià)次數(shù)。(2)由于分層遞階調(diào)度子問題存在相互影響的耦合關(guān)系，直接嵌套使用進(jìn)化算法會(huì)造成時(shí)間上的不可行性。本發(fā)明重點(diǎn)在于處有效地處理評(píng)價(jià)模型復(fù)雜度與時(shí)間合理性之間的平衡關(guān)系。技術(shù)實(shí)現(xiàn)要素：本發(fā)明公開一種半導(dǎo)體制造系統(tǒng)中并行批處理機(jī)動(dòng)態(tài)調(diào)度的快速評(píng)估方法。首先基于復(fù)雜問題分解思想將批處理機(jī)調(diào)度問題分成為批形成和批調(diào)度兩階段子問題分別進(jìn)行求解；其次動(dòng)態(tài)到達(dá)工件根據(jù)設(shè)計(jì)的優(yōu)先級(jí)規(guī)則確定其加工緊急程度并完成組批之后，采用基于一種新編碼機(jī)制的共生演化算法迭代搜索上層批工件分配到并行機(jī)的方案，同時(shí)確定下層每臺(tái)加工機(jī)器上的最優(yōu)排序。再次，根據(jù)提取的關(guān)鍵調(diào)度特征值，離線訓(xùn)練具有預(yù)估能力的代理模型，利用預(yù)測估計(jì)值快速評(píng)價(jià)下層子問題的調(diào)度性能，指導(dǎo)上層子問題不斷優(yōu)化調(diào)整。最后，采用估計(jì)評(píng)價(jià)與真實(shí)重評(píng)價(jià)相結(jié)合的策略，在線更新代理模型，保持預(yù)測精度，實(shí)現(xiàn)合理時(shí)間范圍內(nèi)機(jī)器分配與批工件排序同步優(yōu)化的目的。利用本發(fā)明能夠快速有效地獲取解質(zhì)量良好的批處理機(jī)調(diào)度方案，不僅降低了拖期時(shí)間指標(biāo)，而且提高了半導(dǎo)體生產(chǎn)線的整體性能。為了達(dá)到上述目的，本發(fā)明采用了以下技術(shù)方案。一種用于半導(dǎo)體生產(chǎn)線中動(dòng)態(tài)批調(diào)度方案的快速評(píng)估方法，其特征在于，該方法包含以下步驟：步驟1確定組批方案；步驟2設(shè)計(jì)批調(diào)度編解碼方案；步驟3共生演化計(jì)算操作；步驟4適應(yīng)值快速評(píng)價(jià)；上述方法中各個(gè)步驟的詳細(xì)操作過程如下：步驟1，確定組批方案。對(duì)于屬于不同類型fj,到達(dá)加工設(shè)備緩沖區(qū)時(shí)間rj的加工工件，采用基于ATC規(guī)則的滾動(dòng)窗策略(t,t+T)動(dòng)態(tài)地計(jì)算時(shí)間窗口內(nèi)未被安排組批工件的加工優(yōu)先級(jí)。T為滾動(dòng)時(shí)間窗口固定時(shí)間間隔。在設(shè)備空閑的決策t時(shí)刻，確定工件是否立即進(jìn)行組批的緊急程度，即優(yōu)先級(jí)Ij(t)。式中，wj為訂單客戶權(quán)重系數(shù)，pj為工件j的加工時(shí)間，dj為工件j的拖期時(shí)間，rj為工件的釋放時(shí)間，μ為前瞻系數(shù)，為平均加工時(shí)間。Ij(t)為每個(gè)工件j在決策t時(shí)刻，通過上述公式計(jì)算得到的優(yōu)先級(jí)，優(yōu)先級(jí)高的工件率先進(jìn)入組批流程，依據(jù)以下原則形成滿批或部分批工件。步驟2，設(shè)計(jì)批調(diào)度編解碼方案。解的編碼構(gòu)造表示為批工件分配到各臺(tái)設(shè)備上的情況。為維持負(fù)載平衡，需控制每臺(tái)設(shè)備上所分配的批工件數(shù)量基本保持相同。對(duì)于生產(chǎn)線上具有n個(gè)工件，m臺(tái)加工設(shè)備，使用式(3)確定分隔區(qū)間，劃分哪些工件屬于其對(duì)應(yīng)設(shè)備，屬于編碼區(qū)間內(nèi)的批工件將派送到對(duì)應(yīng)機(jī)器設(shè)備Mj上，結(jié)果僅為分配情況，并不代表最終加工順序。式(3)中P0為劃分起始點(diǎn)，后一個(gè)劃分點(diǎn)Pi+1在前一個(gè)Pi基礎(chǔ)上計(jì)算得到。共生演化算法的初始種群根據(jù)式子pop＝rand(1,batchnum)(ub-lb)+lb隨機(jī)產(chǎn)生，其中，batchnum為批工件數(shù)量；ub和lb為實(shí)數(shù)范圍上限和下限。實(shí)數(shù)編碼不能直接應(yīng)用于離散優(yōu)化問題，需進(jìn)行映射變換為離散值。對(duì)于一個(gè)調(diào)度解X＝[x1,x2,…,xn],其中xi為隨機(jī)值。首先按照降序排列標(biāo)定位置順序其中為xi按降序排列后序列標(biāo)號(hào)。而最終的批工件加工順序?qū)⒂墒?4)得出：式(4)中為工件對(duì)應(yīng)的機(jī)器編號(hào)，θ取值為[1,batchnum]不重復(fù)的整數(shù)值。步驟3，共生演化計(jì)算操作。共生演化算法模仿自然界生物之間的交互關(guān)系，包含了三個(gè)階段：互惠、共棲和寄生。該算法具有控制參數(shù)少，收斂速度快的優(yōu)點(diǎn)。下面分別闡述不同階段的具體操作過程：步驟3.1，互惠階段。此階段為個(gè)體雙方互為所用，互得其利。隨機(jī)從種群中選擇兩個(gè)體xi和xj,根據(jù)式(5)、(6)操作得到新個(gè)體。xinew＝xi+rand(0,1)×(xbest-Mv×Bf1)(5)xjnew＝xj+rand(0,1)×(xbest-Mv×Bf1)(6)式中，Mv＝(xi+xj)/2為兩個(gè)體之間的交互向量，xbest為當(dāng)前最優(yōu)個(gè)體。Bf1和Bf2為收益系數(shù)，一般設(shè)置為1或者2。步驟3.2，共棲階段。此階段為個(gè)體一方獲利，個(gè)體的另一方從交互關(guān)系中既不獲利也不受害。xinew＝xi+rand(0,1)×(xbest-xj)(7)步驟3.3，寄生階段。此階段為個(gè)體一方以犧牲另一方代價(jià)獲得生存空間。采用貪婪策略，隨機(jī)選擇個(gè)體xi,如果適應(yīng)度值優(yōu)于個(gè)體xj,則將其替代。保持生物種群的優(yōu)越性。步驟4，適應(yīng)值快速評(píng)價(jià)。利用代理模型計(jì)算代價(jià)小的優(yōu)點(diǎn)，降低每次評(píng)價(jià)的復(fù)雜度，加快其搜索進(jìn)程，將預(yù)測估計(jì)值取代昂貴的真實(shí)評(píng)價(jià)值。運(yùn)用代理模型到實(shí)際應(yīng)用應(yīng)該包含模型的建立，訓(xùn)練數(shù)據(jù)的準(zhǔn)備，模型的選取，適應(yīng)值預(yù)估及重評(píng)價(jià)，以及模型在線更新等若干步驟。步驟4.1，代理模型構(gòu)建。代理模型基于提取的關(guān)鍵調(diào)度特征而建立，為了確保模型估計(jì)的準(zhǔn)確性，所選特征應(yīng)能夠反映此時(shí)生產(chǎn)線調(diào)度的狀態(tài)信息，其中包括工件等待時(shí)間、加權(quán)加工時(shí)間、等待工件數(shù)量、拖期工件數(shù)目、候選工件拖期等。代理模型訓(xùn)練過程基于歷史數(shù)據(jù)D＝{Xi,yi}進(jìn)行有監(jiān)督式學(xué)習(xí)，其中Xi為特征集合，yi為對(duì)應(yīng)調(diào)度性能目標(biāo)值。隨機(jī)采樣遵循拉丁方實(shí)驗(yàn)設(shè)計(jì)方案，每個(gè)解xi由n個(gè)值組成，隨機(jī)從分布在區(qū)間(0,1/n),(1/n,2/n),…,(1-1/n,1)之中采樣本點(diǎn)。依據(jù)問題規(guī)模大小生成不同數(shù)量的訓(xùn)練數(shù)據(jù)集。步驟4.2，代理模型選擇。代理模型按方法可分類成基于距離，機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)方法，可以采取神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，多元線性回歸等預(yù)測技術(shù)。評(píng)價(jià)模型的好壞可依據(jù)下面兩個(gè)準(zhǔn)則：(1)相對(duì)誤差(2)決定系數(shù)相對(duì)誤差e(x)反映了預(yù)測值與真實(shí)值之間的差異，值越小越好；決定系數(shù)R2表明模型是否具有良好的擬合能力，其值越接近1越好。如果e(x)≤5％并且R2≥0.8說明構(gòu)建的代理模型可以與進(jìn)化算法進(jìn)行結(jié)合。最終選擇效果最好的預(yù)測模型作為代理模型。步驟4.3，適應(yīng)值預(yù)估與重評(píng)價(jià)。在每次選擇階段中，所選代理模型根據(jù)解的特征進(jìn)行適應(yīng)值評(píng)估工作，并與舊解比較。為了防止代理模型預(yù)測誤差導(dǎo)致搜索方向的錯(cuò)誤，每次迭代循環(huán)后對(duì)若干個(gè)最優(yōu)估計(jì)解進(jìn)行重新地真實(shí)評(píng)價(jià)，確定當(dāng)前最優(yōu)解并更新。重評(píng)價(jià)過程如下：步驟4.3.1，從當(dāng)前種群中，選擇估計(jì)評(píng)價(jià)值前三位調(diào)度解個(gè)體{x1,x2,x3}.步驟4.3.2，比較所選估計(jì)解與歷史最優(yōu)解大小。若所選估計(jì)解之中存在優(yōu)于歷史最優(yōu)解fglobal的情況，則重新真實(shí)評(píng)價(jià)后再比較；否則直接跳到下一代循環(huán)中。步驟4.3.3，如果局部最優(yōu)解的性能優(yōu)于全局最優(yōu)解，將作為新的全局最優(yōu)解，應(yīng)用于之后迭代中。記錄最優(yōu)解及其最優(yōu)值。步驟4.4，代理模型在線更新。隨著迭代不斷進(jìn)行，代理模型需要在線更新保持優(yōu)秀的預(yù)估能力。每代選擇前10％優(yōu)秀個(gè)體組成候選解集合，然后每隔10代更新一次種群，并且基于新種群在線更新模型。附圖說明圖1為并行批處理機(jī)調(diào)度工作流程圖；圖2為并行批處理機(jī)調(diào)度分解求解框架；圖3為組批策略流程圖；圖4為解的編碼結(jié)構(gòu)示意圖；圖5為批處理機(jī)調(diào)度整體方案求解算法流程圖；圖6為真實(shí)值-預(yù)測值對(duì)比圖；圖7為幾種不同對(duì)比算法收斂圖；具體實(shí)施方式下面內(nèi)容結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)闡述。1.問題模型參數(shù)設(shè)定；1.1.生產(chǎn)線基本信息屬性：工件類型f；工件數(shù)量n；設(shè)備數(shù)量m，批最大容量B。1.2.工件動(dòng)態(tài)特征屬性：工件到達(dá)緊密程度控制參數(shù)η；工件加工處理時(shí)間p，工件拖期時(shí)間d；工件權(quán)重w。具體仿真實(shí)驗(yàn)中，參數(shù)設(shè)置見下表所示：2.代理模型建立與選擇；2.1我們根據(jù)問題規(guī)模采用拉丁方采樣方式隨機(jī)采樣了400組訓(xùn)練數(shù)據(jù)，用于建立模型。當(dāng)訓(xùn)練數(shù)據(jù)獲得之后，采用交叉驗(yàn)證的方法將數(shù)據(jù)均勻隨機(jī)分成5份，將其中1份作為測試數(shù)據(jù)，其余作為訓(xùn)練數(shù)據(jù)來訓(xùn)練模型。這樣依次將5份分別作為測試數(shù)據(jù)重復(fù)上述過程，最后將平均性能結(jié)果返回作為模型的最終評(píng)判標(biāo)準(zhǔn)。2.2本發(fā)明中選擇支持向量回歸機(jī)，徑向基神經(jīng)網(wǎng)絡(luò)和多元線性回歸作為代理模型的候選集合。經(jīng)過獨(dú)立運(yùn)行20次訓(xùn)練后得到幾種模型的平均性能如下表所示；訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的預(yù)測值與真實(shí)值的對(duì)比結(jié)果如圖6所示：2.3從表中模型判別準(zhǔn)則可以看出幾種模型均符合作為代理模型的條件，而其中支持向量機(jī)性能更加優(yōu)越，因此被選擇為本發(fā)明問題的代理模型，適用于評(píng)估適應(yīng)值大小。模型判別準(zhǔn)則支持向量回歸機(jī)徑向基神經(jīng)網(wǎng)絡(luò)多元線性回歸訓(xùn)練相對(duì)誤差2.2％2.87％2.83％測試相對(duì)誤差2.64％2.92％2.91％模型決定系數(shù)0.96000.95030.95083.算法對(duì)比結(jié)果；對(duì)比實(shí)驗(yàn)方法選取以下幾種主流求解算法：啟發(fā)式算法ATC-BATC規(guī)則，遺傳算法GA和差分進(jìn)化算法DE。實(shí)驗(yàn)獨(dú)立運(yùn)行10次取平均值，結(jié)果如下表所示：與現(xiàn)有技術(shù)相比，本發(fā)明具有下面的優(yōu)良效果。將融合代理模型的共生演化算法與幾種常見批調(diào)度算法進(jìn)行調(diào)度性能上的對(duì)比，可以明顯發(fā)現(xiàn)所提出的算法SOS-SM可以獲得性能更好的調(diào)度解，結(jié)合代理模型進(jìn)行快速評(píng)價(jià)的策略加強(qiáng)了進(jìn)化算法搜索能力，而且一次評(píng)價(jià)所需消耗的時(shí)間遠(yuǎn)遠(yuǎn)低于真實(shí)評(píng)價(jià)過程，估計(jì)評(píng)價(jià)僅僅不到真實(shí)評(píng)價(jià)所消耗時(shí)間的1％。這樣對(duì)于需要大量適應(yīng)值評(píng)價(jià)過程的進(jìn)化過程，無疑提高了搜索的效率，同時(shí)配合真實(shí)重新評(píng)價(jià)策略，保證了獲取高質(zhì)量解的可行性和通用性。當(dāng)前第1頁1 2 3