技術(shù)特征：

1.一種用于半導(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(guò)程如下：

步驟1，確定組批方案；對(duì)于屬于不同類型f_j,到達(dá)加工設(shè)備緩沖區(qū)時(shí)間r_j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)I_j(t)；

$I_j\left(t\right)=\frac{w_j}{p_j}\exp (-\frac{{(d_j-p_j-t+{\left(r_j-t\right)}^{+})}^{+}}{\mathrm{\μ}\stackrel{\‾}{p}})---\left(1\right)$

式中，w_j為訂單客戶權(quán)重系數(shù)，p_j為工件j的加工時(shí)間，d_j為工件j的拖期時(shí)間，r_j為工件的釋放時(shí)間，μ為前瞻系數(shù)，為平均加工時(shí)間；I_j(t)為每個(gè)工件j在決策t時(shí)刻，通過(guò)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M_j上，結(jié)果僅為分配情況，并不代表最終加工順序；

$P_{i+1}=P_i+\left(\frac{R}{m}\right),i=0,1...,m,P_0=0---\left(3\right)$

式(3)中P₀為劃分起始點(diǎn)，后一個(gè)劃分點(diǎn)P_i+1在前一個(gè)P_i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(wèn)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,…,x_n],其中x_i為隨機(jī)值；首先按照降序排列標(biāo)定位置順序其中為x_i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(guò)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x_i和x_j,根據(jù)式(5)、(6)操作得到新個(gè)體；

x_inew＝x_i+rand(0,1)×(x_best-M_v×B_f1) (5)

x_jnew＝x_j+rand(0,1)×(x_best-M_v×B_f1) (6)

式中，M_v＝(x_i+x_j)/2為兩個(gè)體之間的交互向量，x_best為當(dāng)前最優(yōu)個(gè)體；B_f1和B_f2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；

x_inew＝x_i+rand(0,1)×(x_best-x_j) (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x_i,如果適應(yīng)度值優(yōu)于個(gè)體x_j,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(cè)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(guò)程基于歷史數(shù)據(jù)D＝{X_i,y_i}進(jìn)行有監(jiān)督式學(xué)習(xí)，其中X_i為特征集合，y_i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x_i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(wèn)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，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(cè)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(cè)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(shuō)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(cè)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；

$X_i^{g+1}=\left\{\begin{array}{cc}{V}_i^g& if\hat{f}\left(V_i^g\right)\<\hat{f}\left(X_i^g\right)\\ X_i^g& otherwise\end{array}\right.---\left(8\right)$

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。

2.根據(jù)權(quán)利要求1所述的一種用于半導(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，為了防止代理模型預(yù)測(cè)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(guò)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?。蝗羲x估計(jì)解之中存在優(yōu)于歷史最優(yōu)解f_global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。