CN101493857A - 基于Petri网与免疫算法的半导体生产线建模与优化调度方法 - Google Patents

Abstract

本发明提供一种基于Petri网与免疫算法的半导体生产线优化调度方法。该方法利用Petri网对半导体生产线进行建模：路径调度模型；设备组调度模型和设备调度模型；免疫算法作为调度策略嵌入到Petri网模型中。通过Petri网模型，可以描述半导体制造系统所有可能的行为，如工件加工、设备故障、批处理和有缺陷的晶圆返工等。免疫算法的染色体可以直接从Petri网模型的搜索节点中构造出来，每条染色体的每个基因记录了每个设备组的调度策略。通过对Petri网模型的仿真，得到一个较好的染色体，从而生成一个次优的调度策略。优点是，降低了模型的复杂性、提高了模型和调度算法的可重用性。

Description

基于Petri网与免疫算法的半导体生产线建模与优化调度方法

技术领域

本发明涉及一种基于Petri网与免疫算法的半导体生产线建模与优化方法，特别是涉及微电子制造领域生产管理中智能化的模拟生命科学的免疫原理和遗传学的先进生产管理方法。具体地，本发明涉及的建模和调度方法，是以Petri网为建模工具，以免疫算法作为调度方法，综合考虑总移动量、总产量、准时交货率和平均生产周期等多项指标的优化，通过仿真确定每天的派工单，并依此指导生产线实际操作。

背景技术

半导体器件制造非常昂贵。由于需要大量的投资成本，半导体器件制造风险巨大。面对竞争激烈而高风险的市场环境，企业不仅需要提高质量和产出率，同时还需满足客户的需求。如果产品交付时间晚，将会失去顾客的信任，影响长期的销售机会。此外，半导体行业产品生命周期短，还存在过时制成品库存的风险。

半导体器件的制造过程复杂，通常需要用到上百台设备，完成几百道工序。由于所使用的设备一般非常昂贵，所以在半导体制造系统中，并不是让一台设备固定加工工艺流程中某一道工序，而是工艺流程中大量存在相同的工序重复访问同一台设备。由于设备资源的有限特性及晶圆之间对资源的竞争，缓冲区中的晶圆为等待得到设备加工要消耗整个制造时间中的部分时间。这样，使用半导体生产线制造一类产品所需的时间明显地大于该给定类型的产品在各设备上的加工时间的总和。在工业条件下，晶圆在制造过程中在缓冲区等待所消耗的时间可能超过该产品总制造时间的百分之八十。因此有效的调度策略是减少平均加工周期，提高设备利用率和准时交货率的重要保证。常规的半导体调度算法中，启发式规则以其简单性和快速性成为半导体制造过程调度的首选。但由于半导体生产系统本身的不确定性和动态性，产生了各种各样的解决方案，人工智能技术的发展为半导体生产系统的研究注入了新的思想。

然而，由于半导体制造系统是一个复杂的离散事件系统，调度程序不能轻易实现这样的系统，因此，如何模拟一个复杂的半导体制造系统是一个当务之急的任务。一个很好的模型不仅使调度更加容易，而且也有助于我们跟踪设备的状态和机器效率，以方便在任何时刻改变调度策略。Petri网由于其在处理动态离散事件和复杂系统时，具有图形标识和数学处理功能，在半导体制造业生产调度上受到越来越多的重视。

经过对现有技术的文献检索发现，在中国专利“基于信息素的用于半导体生产线的动态调度方法”(授权号ZL 200510026662.7)中，吴启迪等借鉴蚁群生态系统基于信息素的间接通讯方式实现复杂的群体行为的思想，提出了基于信息素的半导体生产线动态实时智能调度算法(PBDR)。这种算法的好处在于将调度相关信息表示成蚂蚁agent的信息素后，可以根据要优化的性能指标，来相应地改变信息素的表示方式，从而对调度的结构不发生影响，可以方便地实现方法的重用；并且决策时间短、计算量小、效率高、实时性好、易于实现，非常适用于动态调度。PBDR的局限性在于缺乏对整体性能的把握和预见能力，因此其调度结果可能会与系统的全局优化有一定的偏差。在中国专利“半导体封装生产线工序智能优化方法”(编号：CN 1786854A)中，汪镭等提出了基于微粒群优化算法对半导体封装生产线的工序参数优化建立了智能优化模型，该专利自述为“通过微粒群相互之间的协作，来寻找最优的工序参数优化结果。通过将生产线上机器对不同产品的加工时间来对微粒进行编码，并将生产线的产品加工需求和加工中心的各机器的实际单位加工能力作为输入，该智能优化模型按照一定的逻辑时序关系进行优化求解，以单位时间内的利润值以及加工机器的均衡度作为优化评价指标，来输出优化后的机器加工时间分配方案和机器占用率这两个指标。”该方法具有结构简单，实现方便，收敛速度快等优点。它不仅有全局逼近性质，而且具有最佳的逼近性能。但是，这种方法是将生产线上机器对不同产品的加工时间用来对微粒进行编码，确定微粒群寻优空间，依赖于生产线上的产品种类，一旦订单改变，就要重新编码，调度算法未能与系统自身的结构脱离，未能利用不同构件的增减和调整适应不同产品生产以及不同构型下的多目标优化问题。

在台湾专利“半导体生产线建模与调度(Modeling andscheduling of a semiconductor wafer fab”(编号：TW583560B)中，Fu Li-Chen等人使用有色时延Petri网对半导体生产线建模，基于排队论简化仿真过程以降低仿真时间，并使用遗传算法获得调度规则的组合来调度生产线上的工件。利用排队理论计算出工件的等待时间，但是，由于随着工件种类、加工步骤不同，工件加工时间和设备的整定时间也不同，计算的结果会出现很大误差，并不能纯粹按照排队好的工件定时加工，对于半导体行业这种同时存在多产品类型的生产线并不实用。

发明内容

基于前述问题，本发明提供一种基于Petri网与免疫算法的半导体生产线优化调度方法。该方法利用Petri对半导体生产线进行建模，免疫算法作为调度策略嵌入到Petri网模型中。通过Petri网模型，可以描述半导体制造系统所有可能的行为，如工件加工、设备故障、批处理和有缺陷的晶圆返工等。免疫算法的染色体可以直接从Petri网模型的搜索节点中构造出来，每条染色体的每个基因记录了每个设备组的调度策略。通过对Petri网模型的仿真，得到一个较好的染色体，从而生成一个次优的调度策略。

本发明基于Petri网与免疫算法的半导体生产线建模方法是：

步骤1，建立路径调度模型：

利用Petri网模型对半导体生产线进行层次化建模，在半导体生产线分层Petri网模型中，整个系统被分割成一系列的设备组，工件的加工过程看成是工件在这些设备群中的流动；当工件在一个设备组完成某一加工步骤时，需要选择下一步加工设备组加工，即必须确定工件的移动路径，建立路径调度模型；

步骤2，建立设备组调度模型：

设备组调度是指工件在设备组缓冲区中，选择一合适的具体设备加工，即工件选择设备调度，建立设备组调度模型；

步骤3，建立设备调度模型：

设备调度模型描述工件的详细加工过程，包括：紧急工件加工情况、设备整定、设备故障状态。

本发明基于Petri网与免疫算法的半导体生产线建模的优化调度方法是：

步骤1，设半导体生产线的分层Petri模型有n个设备组，则每条染色体的长度为n，第1个基因表示第一个设备组W1的调度规则，第2个基因表示第二个设备组W2的调度规则，第3个基因表示第三个设备驵W3的调度规则，其中每个基因有3个元素，第1个元素表示该设备组的工件选设备规则，第2个元素表示批加工调度规则，第3个元素表示单片加工调度规则；

步骤2，工件进入设备组时，对染色体进行解码，确定各设备组的调度规则；工件进入路径选择区后，根据颜色匹配，进入第一个设备组缓冲区W1B，这时，工件根据染色体中的第1个基因的第1个元素中的工件选设备规则进行选择；到设备的缓冲区等待；若选中某设备，该设备空闲时且无紧急加工工件存在时，按照染色体中的第1个基因的第2个元素中的批加工调度规则，从该设备缓冲区中选择合适的工件到设备上进行加工；按照此方法对种群中每个染色体的调度规则进行一遍仿真，并记录下仿真结果：总移动量、总产量、平均生产周期、准时交货率；

步骤3，综合评价上述仿真结果，选取总移动量、总产量、平均生产周期、准时交货率作为染色体的评价指标，将所有指标进行加权得到一个适应值，其计算公式如下：

f(c)＝w₁f₁(c)+w₂f₂(c)+w₃f₃(c)+w₄f₄(c)    (1)

其中，f(c)表示c染色体的适应值，f_i(c)为第i个目标函数的值，w_i为第i个目标函数的权值，f₁，f₂，f₃，f₄分别表示总移动量、总产量、平均生产周期、准时交货率的值，由于各个目标函数单位不一致，需对其进行归一化，对各个目标函数按大小进行排序；对于f₁，将所有染色体按照总移动量的高低进行排序，总移动量越高的染色体的等级越高，总移动量越低的染色体的等级越低；对于f₂，将所有染色体按照总产量的高低进行排序，总产量越高的染色体的等级越高，总产量越低的染色体的等级越低；其余依次类推。

步骤4，若不满足终止条件，再通过免疫遗传操作产生新的种群，跳到步骤2，重复上述过程。

本发明的优点是，降低了模型的复杂性、提高了模型和调度算法的可重用性；本发明中，免疫算法对规则进行编码，而规则已嵌入到各模型的缓冲区中，利用免疫算法搜索出合适的规则对生产线进行调度，对调度的结构不发生影响，可以方便地实现方法的重用。

本发明提供的建模可在任何时刻以任何一组该系统的初始状态条件应用于多种产品类型的生产或制造系统中。本发明提供的调度方法同时改善生产或制造系统的多个性能指标，包括短期总移动量、总产量、准时交货率、平均生产周期时间。

本发明解决了背景技术中存在的问题，所提出的免疫算法优化调度，可使所有工件完成全部加工所需的时间减少5％～16％，它可用于半导体制造、柔性制造等多种制造业领域的优化调度。

附图说明

图1是半导体生产线简化模型Minifab；本发明以该模型图为例，进行系统层次划分，以建立合适的Petri网模型。

图2是本发明半导体生产线路径调度模型图；表示工件在系统的流动过程。

图3是半导体生产线一个设备组W1调度模型图；根据工件选设备规则，调度工件到合适的设备中去加工。

图4是本发明半导体生产线设备调度模型图；描述了工件在设备上的详细加工过程，以及出现设备故障后工件返工等，其中，通过本发明的调度方法可以指导在各设备处对等待加工的工件的调度。

图5是系统流程图；系统根据本流程图搜索出每个设备组合适的调度策略。

图6是免疫算法编码方式图；系统根据该编码方式自动生成初始种群。

图7是疫苗接种示例图；表示本发明中疫苗接种的方法。

图中标号说明：

1-普通库所；2-通信库所；3-瞬时变迁；4-确定时间变迁；5-随机变迁；6-抽象变迁；W-设备组，W1-第一设备组；W2-第二设备组，W3-第三设备组，WB-设备组缓冲区，W1B-第一设备组缓冲区，W2B-第二设备组缓冲区，W3B-第三设备组缓冲区，Ma，Mb，Mc-具体的设备，MaB，MbB，McB-具体设备的缓冲区。

具体实施方式

本发明利用通用的半导体生产线简化模型Minifab为对象(如图1所示)，对其进行建模调度。在该模型中，利用三个设备组W1、W2、W3制造三种产品A、B、C。设备组W1有两台设备Ma、Mb，设备组W2有两台设备Mc、Md，设备组W3有一台设备Me。每个设备组前各有一个缓冲区W1B、W2B、W3B，每个设备前也各有一个缓冲区MaB、MbB、McB、MdB、MeB。同时分别设立投料区和完成区。

具体建模过程如下：

步骤1：路径调度模型

在半导体生产线分层Petri网模型中，整个系统被分割成一系列的设备组，工件的加工过程看成是在工件这些机器群中的流动。当工件在一个设备组完成某一步骤加工时，需要选择下一步进入哪一个设备组进行加工，即必须确定工件的移动路径。由于系统中存在不同种类的工件，每种工件的加工路径可能不同，因此工件如何在不同路径之间选择是一个非常重要的问题。

路径调度就是针对这一问题提出的，整个半导体生产线的路径模型如图3所示。首先，对系统中的设备进行分组，分组策略为：根据系统中设备加工工序的相似性以及在可重入路线中位置的相似性，将其划分为几个不同的设备组，该模型划分为3个，分别是W1、W2和W3，这三个设备组用抽象变迁表示，设备组中具体信息通过下一层模型表示。在这3个设备组前设定一个公共的路径选择区。工件通过投料区进行投料，直接投入路径选择区，在路径选择区中，工件根据路径调度策略(颜色匹配)选择到合适的设备组缓冲区中去，如工件的第一道工序到W1设备组中加工。加工完毕后进入out，根据托肯(工件)颜色判断工件是否加工完成，如完成则将工件移入完成区，否则进入路径选择区，等待下一道工序的加工。若工件在加工过程中出现设备故障或工件不合格，则需重新返回路径选择区进行加工选择。

步骤2：设备组调度模型

设备组调度是指工件在设备组缓冲区中，选择一合适的设备加工，是工件选设备的调度。设备组调度的示例Petri网模型图如图4所示。

图4是对W1设备组的细化，该设备组中有2台设备Ma、Mb，其中设备组前有一总缓冲区W1B，每台设备前也各有一缓冲区MaB、MbB。其中设备Ma和Mb用抽象变迁表示，具体加工信息同样也由下一层模型描述。W1B中工件根据免疫算法搜索出的工件选设备规则选择到Ma或Mb中加工。

步骤3：设备调度模型

设备调度模型描述工件的详细加工过程，如紧急工件加工情况、设备整定、设备故障等状态。设备调度的示例Petri网模型图如图5所示。该模型以设备Ma为例，首先判断等待缓冲区MaB中的工件是否有紧急加工工件，若有，则引出一条抑制弧，以阻止普通工件加工，优先加工紧急工件；若无，则根据免疫算法搜索出的设备选工件规则选择合适的工件到设备中加工，由于Ma是批加工设备，因此这里搜索出的设备选工件规则是批加工设备调度规则。在设备加工或等待过程中有可能会出现设备故障，设备空闲过程中出现故障激发变迁“等待维修1”，设备中托肯移出，设备不可以使用；在加工过程中出现故障，则激发变迁“等待维修2”，同时将在该设备上加工的工件返工。

因基本Petri网中对个体的变化细节描述过多，另外token的含义比较简单，不利于对系统的理解。考虑到半导体生产线的复杂性，如果用基本Petri网对生产线进行建模，肯定会使所建模型结构过于庞大，难以分析和实现。而层次有色赋时Petri网(简写为HCTPN)在基本Petri网的基础上引入了颜色和时间的概念，另外token也增加了颜色，进行了层次化扩展，加强了自身的描述能力，还能层次化地进行业务流程建模，因此模型具有模块化的特点，便于模型的重用和优化分析，大大降低了模型的复杂度。

HCTPN用一个11元组表示，HCTPN＝(P_i，P_c，T_i，T_c，T_t，T_s，T_a，C，I，O，M)，其中，P_i是普通库所集，代表资源(如缓冲区)或工件的状态(如等待加工)。P_c是通信库所集，是用于连接两个不同模型之间的接口。T_i是瞬时变迁集，瞬时变迁与普通Petri网中变迁含义相同，用于描述系统的行为。T_c是颜色变迁集，用于设定工件进行不同加工时颜色的变化。T_t是确定时间变迁集，表示系统执行过程，如工件在某台设备上的加工过程。T_s是随机变迁集，随机变迁的变迁时间是通过随机函数获得的，常用于表示设备故障出现时间、设备整定等。T_a是抽象变迁集，抽象变迁用于表示一个子模型，描述工件在设备组中的加工过程。C：库所和变迁的颜色，具体的：C(p_i)＝{a_i，1，…a_i，ui}，u_i＝|C(p_i)|，i＝1，…n，C(p_i)是库所p_i上所有可能的托肯颜色的集合，C(t_j)＝{b_j，1，…b_j，vj}，v_j＝|C(t_j)|，j＝1，…m，C(t_j)是变迁t_j上所有可能出现的颜色的集合。I是输入函数，O是输出函数，M是初始标识。

HCTPN可以抽象为以下两个主要定义：抽象变迁和通信库所。

抽象变迁用变迁表示Petri网中的一个子模型，从而使得Petri网模型从逻辑上得到简化。通信库所是用于连接上下层两个模型之间的接口。

半导体生产过程具有自身的特点，这里利用了层次有色赋时Petri网对半导体生产线进行建模，并结合了自顶向下的建模方法，将半导体生产线划分为路径调度层、设备组调度层和设备调度层。路径调度是根据生产工艺要求确定半导体制造过程中工件的流向。工件在系统中的加工过程可以看成工件在这些设备组中的流动，当工件在某一设备组完成加工后，需要选择下一步进入哪个设备组。设备组调度根据设备的当前状态等信息确定工件在哪台设备上加工。设备调度用于确定工件在加工设备上的加工序列和开始加工时间，主要解决工件在设备组内各设备上的调度和资源分配问题，描述了工件的详细加工过程。

在层次化建模中，下层模型被看作是其上层模型的一部分，上下层模型之间的衔接决定着系统中信息的准确传递。各层次模型间需要有信息的输入输出，因此各层次模型都因由输入、输出以及代表下层模型的暗箱组成(最底层模型除外)。输入输出用通信库所表示，暗箱用抽象变迁表示。暗箱中的详细内容是通过对变迁的细化得到的。

半导体调度问题是一个NP难题，没有有效的算法解决现有晶圆制造的优化调度问题。免疫算法(IA)是一个搜索程序，免疫算法样本大，搜索空间随机，能找到一个次优的解决办法，但并不需要巨大的记忆空间。这就是为什么我们使用免疫算法来解决问题。

免疫算法是在遗传算法的基础上，引入了生命科学中的免疫原理而发展起来的算法，类似于生物自然科学的免疫理论。免疫系统是一个由细胞、分子和器官组成的复杂系统，主要用于限制异物对肌体的侵害，并由此产生抗体，引发免疫响应。肌体的异物被称为抗原(Antigen，简称Ag)，由载体和半抗原(又称抗原决定簇或表位)组成。正是由于抗原决定簇与抗体细胞相结合才能完成免疫应答。免疫算法中，抗原是指待求解问题，待求解问题的最基本的特征信息称为疫苗，对特征信息进行处理，将其转化为求解问题的一种方案，由此方案得到的所有解的集合称为基于上述疫苗所产生的抗体。

免疫算法的思想主要是在合理提取疫苗的基础上，通过接种疫苗和免疫选择两个操作来完成的。主要包括以下步骤：首先根据半导体生产线调度的特点，对染色体采用基于调度规则的编码方法。其次，根据抗体编码在Petri网模型上进行仿真，得到系统的准时交货率、产量、移动量和平均加工周期，根据这几个目标计算抗体的适应值。然后，若种群进化代数大于1，则提取疫苗。最后，对种群进行交叉变异操作，并接种疫苗，通过免疫选择操作防止种群退化，形成新一代种群。

染色体编码、染色体解码、疫苗提取、接种疫苗免疫选择的具体方法如下：

染色体编码：染色体长度等于系统中设备组个数，每个设备组的调度规则由一个基因表示，其中每个基因包括工件选设备规则、批加工调度规则和单件加工调度规则。如图7该种编码方案具有产生速度快及易于操作的特点。

染色体解码：针对一条染色体，对于n个设备组的调度，第i个基因分别表示第i个设备组的调度规则，其中第i个基因的第1个元素表示第i个设备组的工件选设备规则，如果该设备组的设备是批加工设备，则其调度规则为基因的第2个元素代表的调度规则，否则为基因的第3个元素代表的调度规则。

疫苗提取：将种群中每个染色体看作一个抗体，每个抗体的每位基因可供选择的编码表中共有m个编码：k1，k2，......km，则该种群中第j位等位基因为ki的概率为 $p=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i,$ 其中，

g(j)为种群中第j位等位基因上的编码，N为种群规模。

将该等位基因上概率最大且大于某个设定的阀值作为该等位基因上的疫苗，最终提取的疫苗Y＝(y1，y2……，yN)。

接种疫苗：以事先设定的免疫概率随机选择父代群体中的要进行接种的个体，对选中的个体，将疫苗的基因码依次接入，通过置换基因码值在个体上的位置与基因码所在位置上的值产生新的免疫个体，最终形成了免疫种群。免疫操作的一个示例如图7所示。

免疫选择：对接种了疫苗的个体进行检测，若其适应度不如父代，说明交叉、变异过程中出现了严重的退化现象。此时，免疫后的个体将被父代中所对应的个体替代。

下面结合附图，进一步叙述本发明的实施方式：

如图3所示，根据半导体生产线的实际情况，工件经“投料区”后直接进入路径选择区，工件自身携带颜色(加工步骤、卡号、加工类型等)，工件在进入下一设备组前，对颜色进行匹配，找到相对应的设备组后，则将该工件移入下一设备组缓冲区。工件完成一道工序加工后，判断是否加工完成，若未完成则重新进入路径选择区，若加工完成则进入完成区；而工件进入完成区后，就停止加工了，不需再选择去其它设备组。加工失败的工件进入加工失败区，等待重新加工。

如图4所示，对设备组的建模以设备组W1为例，W1有两台设备Ma和Mb，工件进入缓冲区W1B后，根据工件选设备规则从Ma和Mb中选一台设备，通过运输系统进入到该设备的缓冲区中等待加工。设备组W2、W3按照同样方法建立模型。假定工件选的是设备Ma，那么工件会进入缓冲区MaB中。若Ma空闲，则首先判断MaB中是否有紧急加工工件，若有，则抑制排列工件变迁的引发，紧急加工工件进入Ma中加工。若无紧急加工工件，则对MaB中工件按照设备选工件规则(或批加工调度规则)选择合适工件到Ma中加工。在工件加工前，需对设备进行整定。在加工过程中，设备可能出现故障，这时，在Ma上加工的工件要返工，并将Ma维修。如图5所示。设备Mb、Mc、Md、Me也同样建立模型，其中设备选工件规则是单片加工调度规则。

本发明按照图3-图5所示方法建立了半导体生产线Minifab的三层模型。接下来，就要考虑模型的调度策略。模型中用到的工件选设备规则有MTT：最短测试时间，MST：最小整定时间，UTIL_L：最低设备利用率，SEPT：最短预期加工时间；批加工规则有MAXC：最大加工批量，MINC：最小加工批量；单片加工规则有FIFO：先来先服务，EDD：最早交货期优先，SPT：最短加工时间，CR：临界值比率。免疫算法的染色体采用给予调度规则的编码方式，上述调度规则的编码分别如表1所示。

表1是染色体基因

依据图6所示流程，图1按照图7所示的编码方式进行随机生成种群，具体操作步骤如下：

步骤1：设Minifab模型有3个设备组，那么每条染色体的长度为3，第1个基因表示设备组W1的调度规则，第2个基因是设备组W2的调度规则，第3个基因是设备组W3的调度规则，其中每个基因有3个元素，第1个元素表示该设备组的工件选设备规则，第2个元素表示批加工调度规则，第3个元素表示单片加工调度规则。

步骤2：工件在进入设备组时，对染色体进行解码，确定各设备组的调度规则。以第一道工序为例，工件进入路径选择区后，根据颜色匹配，进入W1B，这时，工件根据染色体中的第1个基因的第1个元素中的工件选设备规则进行选择，到Ma或者Mb的缓冲区等待。若选中Ma，设备空闲时且无紧急加工工件存在时，按照染色体中的第1个基因的第2个元素中的批加工调度规则(批加工设备)从该设备缓冲区MaB中选择合适的工件到设备上进行加工。若工件在设备Mc、Md上加工，那么在设备空闲时，是按照染色体中的第2个基因的第3个元素中的单片加工调度规则(单片加工设备)选择合适工件到设备上加工。按照此方法对种群中每个染色体的调度规则进行一遍仿真，并记录下仿真结果(总移动量、总产量、平均生产周期、准时交货率)。

步骤3：综合评价上述仿真结果，选取总移动量、总产量、平均生产周期、准时交货率作为染色体的评价指标，这是个多目标问题，最简单的方法是将所有指标进行加权得到一个适应值，其计算公式如下：

f(c)＝w₁f₁(c)+w₂f₂(c)+w₃f₃(c)+w₄f₄(c)(1)

其中，f(c)表示c染色体的适应值，f_i(c)为第i个目标函数的值，w_i为第i个目标函数的权值，f₁，f₂，f₃，f₄分别表示总移动量、总产量、平均生产周期、准时交货率的值，由于各个目标函数单位不一致，需对其进行归一化，本发明采取的方法是，对各个目标函数按大小进行排序。具体的，对于f₁，将所有染色体按照总移动量的高低进行排序，总移动量越高的染色体的等级越高，总移动量越低的染色体的等级越低。对于f₂，将所有染色体按照总产量的高低进行排序，总产量越高的染色体的等级越高，总产量越低的染色体的等级越低，其余依次类推。

例如目前有3条染色体，利用该3条染色体调度的结果是：

染色体   MOV(卡   总产量 加工周期  准时交

         次)      (卡)   (天)      货率

1        36175    194    50.57     88.14

2        36705    195    47.6      91.75

3        35539    190    43.68     96.32

则排序后的结果是：

f₁(1)＝2，f₂(1)＝3，f₃(1)＝1

f₁(2)＝2，f₂(2)＝3，f₃(2)＝1

f₁(3)＝1，f₂(3)＝2，f₃(3)＝3

f₁(4)＝1，f₂(4)＝2，f₃(4)＝3

设w₁＝w₂＝w₃＝w₄＝0.25，则f(1)＝1.5，f(2)＝2.5，f(3)＝2。那么第2条染色体是最好的一条染色体。

步骤4：若不满足终止条件，再通过免疫遗传操作产生新的种群，跳到步骤2，重复上述过程。

本发明针对的是生产多种类型产品的半导体制造系统，但亦可以应用于生产单种类型产品的制造系统。本发明已利用对上海某半导体公司的4寸硅片生产线的实际生产数据进行调度研究，建立了路径调度模型、设备组调度模型和设备调度模型，以提高工件的准时交货率及产量和移动量、降低工件的平均加工周期为目标。该半导体生产线的产品品种很多，有400余种，可分为产品工艺大类35种。每种产品可能对应多个产品版本，目前共有800多种产品版本。同时在线上流动的产品版本大约100余种。共有加工设备140余台，按照功能的不同，可划分为四个功能区域，即注入溅射区域、光刻区域、刻蚀区域与氧化薄膜区域，具体分为40个设备组。每个设备组有一个公共缓冲区，每个设备也有一个缓冲区。对实际半导体制造厂提供的各工业数据组进行测试，显示出本发明的调度方法与工厂目前使用的调度方法相比，总移动量平均百分率增加改进为5％，总产量平均改进百分率为5％，而准时交货率平均改进百分率增加改进为7％，平均生产周期的平均改进百分率降低改进为5％。对于标准FIFO策略，总移动量平均百分率改进为4％，总产量平均改进百分率改进为8.5％，而准时交货率平均改进百分率增加改进为13％，平均生产周期的平均改进百分率降低改进为16％。这样的改进程度是本发明的典型性能水平。

Claims (2)

1、一种基于Petri网与免疫算法的半导体生产线建模与优化调度方法，其中，基于Petri网与免疫算法的半导体生产线建模方法是：

步骤1，建立路径调度模型：

利用Petri网模型对半导体生产线进行层次化建模，在半导体生产线分层Petri网模型中，整个系统被分割成一系列的设备组，工件的加工过程看成是工件在这些设备组中的流动；当工件在一个设备组完成某一加工步骤时，需要选择下一步加工的加工设备组，即必须确定工件的移动路径，建立路径调度模型；

步骤2，建立设备组调度模型：

设备组调度是指工件在设备组缓冲区中，选择一个合适的具体设备加工，即工件选择设备调度，建立设备组调度模型；

步骤3，建立设备调度模型：

设备调度模型描述工件的详细加工过程，包括：紧急工件加工情况、设备整定、设备故障状态。

2、按权利要求1所述的基于Petri网与免疫算法的半导体生产线建模与优化调度方法的优化调度方法是：

步骤1，设生产线模型有n个设备组，则每条染色体的长度为n，第1个基因表示第一个设备组W1的调度规则，第2个基因表示第二个设备组W2的调度规则，第3个基因表示第三个设备组W3的调度规则，其中每个基因有3个元素，第1个元素表示该设备组的工件选设备调度规则，第2个元素表示批加工调度规则，第3个元素表示单片加工调度规则；步骤2，工件进入设备组时，对染色体进行解码，确定各设备组的调度规则；工件进入路径选择区后，根据颜色匹配选择；进入第一个设备组缓冲区W1B时，工件根据染色体中的第1个基因的第1个元素中的工件选设备规则进行选择；到设备的缓冲区等待；若选中某设备，该设备空闲时且无紧急加工工件存在时，按照染色体中的第1个基因的第2个元素中的批加工调度规则，从该设备缓冲区中选择合适的工件到设备上进行加工；按照此方法对种群中每个染色体的调度规则进行一遍仿真，并记录下仿真结果：总移动量、总产量、平均生产周期、准时交货率；

步骤3，综合评价上述仿真结果，选取总移动量、总产量、平均生产周期、准时交货率作为染色体的评价指标，将所有指标进行加权得到一个适应值，其计算公式如下：

f(c)＝w₁f₁(c)+w₂f₂(c)+w₂f₃(c)+w₄f₄(c)         (1)

其中，f(c)表示c染色体的适应值，f_i(c)为第i个目标函数的值，w_i为第i个目标函数的权值，f₁，f₂，f₃，f₄分别表示总移动量、总产量、平均生产周期、准时交货率的值，由于各个目标函数单位不一致，需对其进行归一化，对各个目标函数按大小进行排序；对于f₁，将所有染色体按照总移动量的高低进行排序，总移动量越高的染色体的等级越高，总移动量越低的染色体的等级越低；对于f₂，将所有染色体按照总产量的高低进行排序，总产量越高的染色体的等级越高，总产量越低的染色体的等级越低；其余依次类推。

步骤4，若不满足终止条件，再通过免疫遗传操作产生新的种群，跳到步骤2，重复上述过程。

Images