基于EDA与CS的半导体生产线调度方法研究

发布时间：2020-10-22 22:36

　　 现今半导体制造行业通常面临着复杂、多重入、大规模及高度不确定的生产状况。启发式方法可快速求解其调度问题,但对调度环境和目标的依赖性强,通用性差,且难以保证解的质量。智能计算方法理论上可以得到高质量的解,但算法复杂度通常随着问题规模和约束增长而显著增长。因此,兼顾有效性和高效性、实时性的调度方法具有理论意义和经济价值。本文面向半导体制造过程,以使用较低计算代价获取高质量的调度方案为目标,围绕调度过程与智能调度方法中的诸多难点,借鉴机器学习理论及数学思想,研究了基于分布估计算法与布谷鸟算法的半导体生产线高效智能调度方法,具体研究内容如下:1、考虑半导体生产线中工件在部分机器缓冲区内应尽可能少等待的实际情况,给出一类具有等待时间约束的不相关并行机调度问题。针对该类调度问题,研究一种基于Coupla理论的分布估计算法。该算法以同类订单工件数与总工件数的比值为变量,基于Coupla理论对每台机器构造一个联合分布函数,进而建立优势种群的概率模型。通过联合概率分布的函数模型采样得到的子代个体编码向量组,保留了父代优势编码的相对位置信息。从理论上分析所提算法的时间复杂度,其随工件个数增加呈对数增长,因而适用于大规模的实际生产调度问题。2、针对半导体最终测试阶段的调度问题,为降低完工周期,研究一种结合强化学习、代理模型和布谷鸟算法的调度方法。该方法采用布谷鸟搜索算法作为调度方法框架。为平衡布谷鸟算法的种群多样性与集中性,引入强化学习技术离线训练算法参数模型,并在线自适应调整参数;为加快算法搜索进程,采用代理模型技术估计解的优劣,降低强化学习模型离线训练与布谷鸟算法在线寻优的过程中,由于多次计算适应度函数值带来的巨大计算量。以达到在缩短进化算法整体的搜索进程的同时,输出性能更好的解。仿真实验表明,本文研究的基于Coupla理论的分布估计算法和融合强化学习、代理模型和布谷鸟算法的调度算法可以有效地权衡调度解的质量与求解时间,具有一定的工业应用潜力。
【学位单位】：北京化工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18
【部分图文】：

己经应用到包括通信、航空航天、医疗在内的多个领域。随着信息科技的发??展和人们生活方式的改变，对芯片的需求日益增加。据统计，２００１年至２０１７年，我??国半导体行业市场需求量迅速增长（参见图１－１）。与此同时，由于高昂的设备成本（如??光刻机）和人员费用支出（如最终测试阶段测试员），在实际生产中有效而快速地给出??调度决策方案，提升系统性能并扩大产能也成为半导体生产制造企业谋求可持续发展??的基本途径［２］。??■市场崁檳?产业销售较??ＮＯ００?一??１２０００?ｈ?一＾＾＾??１００００?－??２００１?２００２?２００３?２００４?２００５?２００６?２００７?２００８?２００９?２０１０?２０１１?２０１２?２０１３?２０１４?２０１５?２０１６??图１－１我国半导体行业市场需求变化图??Ｆｉｇ．?１－１?Ｃｈａｎｇｅ?ｏｆ?ｍａｒｋｅｔ?ｄｅｍａｎｄ?ｏｆ?ｓｅｍｉｃｏｎｄｕｃｔｏｒ?ｉｎｄｕｓｔｒｙ?ｉｎ?Ｃｈｉｎａ??另－？方面，半导体制造业是世界上最为复杂的制造业之一?［３力。具有诸多特殊特征，??区别于传统车间调度问题，其存在“多重入”现象，一个工件可能在同一机器上反复加??工，从而加剧了工件对设备资源的竞争和问题的不确定性。其相关调度问题是学术难??题。在这一背景下，半导体生产线的调度优化问题逐渐成为企业界和学术界关注的焦??点。??对于半导体制造过程相关的各类优化调度问题，己有的早期研宄主要集中于启发??式规则和精确算法。启发式规则虽可以快速生成调度方案

图１－３资源限制不意图??Ｆｉｇ．?１－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｒｅｓｏｕｒｃｅ?ｃｏｎｓｔｒａｉｎｔｓ??如图１－３所示，由于各类资源总量有限，同时各类资源中各子类资源有限，所以??可能会存在部分机器不能够同时加工的情况。例如，机器１和机器２都需要第一类测??试员各１人（图３－１中机器１与机器２中小三角形标号一致），若当前在岗的第一类??测试员总共只有一人，则第一台机器和第二台机器就不能同时运行，执行测试任务。??由于半导体的大规模特点，实际情况中的约束比图中所示要复杂得多，通常是上百台??机器之间的错综复杂的耦合关系。??除了资源约束外，半导体最终测试调度问题本身是一个柔性Ｊｏｂ－Ｓｈｏｐ调度问题，??每个待测试的工件都需要经过多道加工流程，每道工序可在特定机器完成。另一方面，??作为半导体生产制造过程的一个阶段，半导体最终测试调度问题也具有“重入”现象，??加剧了工件对机器的竞争。??１．２．４调度方法研究现状??半导体生产线调度问题

第？章绪Ｉｆｅ程，采用代理模型技术估计解的优劣，降低强化学习模型离线训寻优的过程中，由于多次计算适应度函数值带来的巨大计算量。法整体的搜索进程的同时，输出性能更好的调度方案的目的。??：结论与展望??论文的主要工作及取得成果，分析论文尚存问题，并提出可能存出问题?＾??
【参考文献】

相关期刊论文 前6条

1 王大志;刘士新;郭希旺;;求解总拖期时间最小化流水车间调度问题的多智能体进化算法[J];自动化学报;2014年03期

2 张永韡;汪镭;吴启迪;;动态适应布谷鸟搜索算法[J];控制与决策;2014年04期

3 曹政才;彭亚珍;吴启迪;;基于鼓—缓冲器—绳子的多重入制造系统过程调度[J];计算机集成制造系统;2010年12期

4 刘民;;基于数据的生产过程调度方法研究综述[J];自动化学报;2009年06期

5 曹政才;乔非;吴启迪;;半导体生产线建模方法与调度策略研究进展[J];电子学报;2006年S1期

6 钱晓龙,唐立新,刘文新;动态调度的研究方法综述[J];控制与决策;2001年02期

相关博士学位论文 前2条

1 何小娟;分布估计算法及其在生产调度问题中的应用研究[D];兰州理工大学;2011年

2 尹文君;面向不确定制造过程调度问题的进化计算方法及其应用[D];清华大学;2004年

相关硕士学位论文 前2条

1 邓积杰;不确定环境下半导体制造系统瓶颈预测与调度方法研究[D];北京化工大学;2013年

2 赵会丹;不确定环境下多重入制造系统优化调度方法的研究[D];北京化工大学;2011年

本文编号：2852175