CN101604409B - 应用于多重入复杂制造系统的调度方法 - Google Patents

Abstract

本发明一种应用于多重入复杂制造系统的调度方法，针对其典型代表——半导体生产线为研究对象，根据半导体生产线调度的特点，以规则调度为主线，对工件投料策略、工件选设备规则、批加工调度规则和单件加工设备调度规则按照一定方式进行编码，在考虑工件的准时交货率、产量和平均加工周期多目标优化性基础上，构造的适应度函数，运用免疫遗传思想，抽取出对遗传进化贡献较大的基因片断作为疫苗，在遗传过程中通过对个体注射疫苗来加大进化压力，从而依托免疫方法进行全局搜索来获得调度最优解，以此指导实际半导体生产制造。实验结果表明：免疫方法具有概念简单、实现方便以及收敛速度快等优点，是一种有效的可重入复杂生产系统优化调度方案。

Description

应用于多重入复杂制造系统的调度方法

技术领域

本发明涉及一种自动控制与信息技术领域的方法，具体地，涉及一种应用于多重入复杂制造系统的调度方法，属于先进制造技术领域。

背景技术

上世纪80年代末90年代初，美国的Kumar教授针对半导体、胶卷等行业的生产特点，提出了一类多重入复杂制造系统的概念，并将其列为有别于Flow-shop和Job-shop的第三类生产制造系统。该制造系统最显著特点是多重入，它直接导致的问题是：即使系统的加工能力能够满足加工任务的要求，系统也会表现出不稳定的特性。因此，在作业车间与流水车间中取得的研究成果无法直接应用到多重入生产系统。

半导体制造过程作为多重入复杂制造系统的典型代表，是世界上最复杂的制造过程之一，具有可重入、大规模、混合加工方式、多产品、不确定性等特点，其控制与优化问题得到广泛关注，一直是学术界与应用界的研究热点之一。

从我国乃至世界的半导体芯片制造的情况看，其设备更新与产品更新换代的速度是很快的，但是其生产管理的理论研究却远远跟不上实际发展的需要。在半导体生产线上得以成功应用的调度研究成果主要集中于启发式规则与离散事件仿真，相当一部分芯片制造企业的生产计划与调度还是凭借人的经验来计划安排，并没有优化的方法来支持，因此效率不高。

免疫算法是一种典型人工智能实现模式，它是受生物免疫系统的启示而设计出来的一种具有对多峰值函数进行搜索及全局寻优能力的新型进化算法。免疫算法是抽取和反映生物机体免疫系统的反应机制，结合工程应用而描述的一种计算方法。算法中的抗原对应于待求解的问题，而算法中的抗体则对应于问题的一个解。具有概念简单、实现方便以及收敛速度快等优点。本发明应用免疫算法，解决多重入复杂系统的智能优化方法问题。

发明内容

本发明的目的是提供一种应用于多重入复杂制造系统的调度方法，针对多重入复杂制造系统典型代表——半导体生产线为例来进行说明，用人工免疫方法来解决半导体优化调度问题，不是直接用于工件的投料、工件分派和工件的排序问题，而是以规则调度为主线，对工件投料策略、工件选设备规则、批加工调度规则和单件加工设备规则按照一定方式进行编码，在考虑工件的准时交货率、产量和平均加工周期多目标优化性基础上，构造的适应度函数，用免疫方法进行全局搜索来获得近似最优解，以此指导实际半导体生产制造。

本发明一种应用于多重入复杂制造系统的调度方法，是采用以下技术手段实现的：

1.1.染色体编码

根据半导体生产线调度的特点，算法编码采用基于调度规则的编码方法：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投料、工件选设备规则、批加工调度规则和单件加工调度规则，该种编码方案具有产生速度快及易于操作的特点。

1.2.种群初始化

随机生成N个个体组成初始种群。

1.3.染色体解码

对于n个设备组的调度，对一个特定编码的染色体，n个基因分别表示n个设备组的调度规则，如第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。

1.4.适应度函数

本文研究的目标问题是优化工件的准时交货率、产量和平均加工周期等性能指标，以满足客户的要求。假定选取总移动量、生产率和平均加工周期作为染色体的评价指标，这是个多目标问题，求解该问题的适应值的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)

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分别表示总移动量、生产率、平均加工周期的值，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。

1.5.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n个编码：k₁，k₂，……，k_n，则该种群中第j位等位基因为k_i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阀值的k_i作为该等位基因上的疫苗片段，最终提取的疫苗Y＝(y₁，y₂……，y_N)。

1.6.交叉变异

根据前面的编码方式，由于所使用的编码方式使得基因之间完全独立，只要满足规则且为可重复的自然树，因此采用的交叉方式为两点交叉。变异算子只是为选择、交叉过程中可能丢失的某些遗传基因进行修复和补充。

交叉概率p_c一般取0.4～0.99，这些参数的选取往往与所求解的问题有关，需根据经验或反复实验确定，这个过程非常繁琐，增加了实际应用的难度。其交叉概率p_c和变异概率p_m的自适应计算公式分别为

p_c＝k₁(f_max-f_avg)/(f_max-f_min)

p_m＝k₂+k₃(f_max-f_i)/(f_max-f_min)

其中：k₁，k₂，k₃为常数；f_max，f_avg，f_min分别为当前种群的最大、平均和最小适应值。

1.7.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。

1.8.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。

1.9.终止条件

以预先设定的最大进化代数N_gen作为停止条件：

N_gen＝λ·(n+1)·D_avg/N，

其中：n为设备组数；D_avg为设备组平均调度规则组合数；N为初始种群个体数；λ为常数，一般取值为1～10。

前述的最优解包括：采用基于工件投料策略、工件选设备规则、批加工调度规则和单件加工设备规则方式编码；在考虑工件的准时交货率、产量和平均加工周期多目标优化性基础上，构造的适应度函数；抽取出对遗传进化贡献较大的基因片断作为疫苗，在遗传过程中通过对各个个体注射疫苗来加大进化压力。

本发明所提出一种应用于多重入复杂制造系统的调度方法，与现有技术相比具有以下明显的优势和有益效果：

该方法运用免疫遗传思想，对各代中的进化过程进行分析，从而抽取出对遗传进化贡献较大的基因片断作为疫苗，在遗传过程中通过对各个个体注射疫苗来加大进化压力，从而提高了搜索效率和求解的质量；现有的复杂生产线调度方法仍然没有很好地解决生产过程极大的不确定性、生产设备多样性、加工路径复杂性以及多目标优化问题，本调度策略是因为免疫方法编码中同时考虑工件投料、工件选设备规则、批加工调度规则和单件加工设备规则因素，会得到更加有效的调度规则集，大大提高了方法的计算效率。每当免疫方法完成它的优化过程，就会生产一个优化的调度策略，该策略是对以往优化调度策略的有效改进，根据染色体编码中对应的规则进行调度，解决复杂系统优化控制问题；实践表明：免疫方法具有概念简单、实现方便以及收敛速度快等优点，该技术大大缩短平均加工周期，满足实际的大规模半导体生产线的应用需求，是一种有效的可重入复杂生产系统优化调度方案。

附图说明

图1为本发明实施方法流程图。

具体实施方式：

结合本发明的内容提供以下实施例：

在此以一个半导体生产线简化模型Minifab为例进行分析，Minifab生产3种类型工件，由3个设备群、5台设备组成，其中批加工设备2台，单件加工设备3台，工件的工艺流程共包含六个工序。

(1)染色体编码

根据半导体生产线调度的特点，免疫算法编码采用基于调度规则的编码方法，并结合投料策略。本文的染色体有四种类型的基因：g_l、g_m、g_d和g_b，分别表示投料规则、工件选设备规则、单片加工规则和多批加工规则。其中g_l＝(a，b)，a，b分别表示投料规则UNIF和CONWIP；g_m＝(c，d，e，f)，各基因位由表1中的工件选设备规则表示；g_d＝(i，j，k，l)，同样的，基因位由表1中的单片加工设备调度规则表示；g_b＝(m，n)，m，n分别表示MAXC和MINC。表2中各规则含义如下：

UNIF：固定时间间隔投料规则，CONWIP：固定在制品投料规则，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，MAXC：最大加工批量，MINC：最小加工批量，FIFO：先来先服务，EDD：最早交货期优先，SPT：最短加工时间，LPT：最长加工时间。

表1染色体基因

(2)种群初始化

随机生成N个个体组成初始种群。

(3)染色体解码

Minfab具有3个设备组的调度，对一个特定编码的染色体，第1个基因表示工件的投料策略，其余2～4个基因分别表示设备组的调度规则，如第i个基因的第1个元素表示第i-1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。

(4)适应度函数

本文研究的目标问题是优化工件的准时交货率、产量和平均加工周期等性能指标，以满足客户的要求。假定选取总移动量、生产率和平均加工周期作为染色体的评价指标，这是个多目标问题，求解该问题的适应值的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)

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分别表示总移动量、生产率、平均加工周期的值，由于各个目标函数单位不一致，需对其进行归一化，本文采取的方法是，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，将所有染色体按照生产率的高低进行排序，生产率越高的染色体的等级越高，生产率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如表2：

表2示例

染色体	总移动量(卡次)	生产率(卡)	加工周期(天)
				1	36175	194	50.57
2	36705	195	47.6
				3	35539	190	43.68

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

设w₁＝w₂＝w₃＝1/3，则f₁＝5/3，f₂＝8/3，f₃＝5/3。那么第2条染色体是最好的一条染色体。

(5)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n个编码：k₁，k₂，……，k_n，则该种群中第j位等位基因为k_i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阀值的k_i作为该等位基因上的疫苗片段，最终提取的疫苗Y＝(y₁，y₂，……，y_N)。

(6)交叉变异

根据前面的编码方式，由于所使用的编码方式使得基因之间完全独立，只要满足规则且为可重复的自然树，因此采用的交叉方式为两点交叉。变异算子只是为选择、交叉过程中可能丢失的某些遗传基因进行修复和补充。

交叉概率p_c一般取0.4～0.99，这些参数的选取往往与所求解的问题有关，需根据经验或反复实验确定，这个过程非常繁琐，增加了实际应用的难度。其交叉概率p_c和变异概率p_m的自适应计算公式分别为

p_c＝k₁(f_max-f_avg)/(f_max-f_min)

p_m＝k₂+k₃(f_max-f_i)/(f_max-f_min)

其中：k₁，k₂，k₃为常数；f_max，f_avg，f_min分别为当前种群的最大、平均和最小适应值。

(7)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。

(8)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。

免疫操作的一个示例如下所示：

免疫片段      3 5       4

变异前    4 1 5 7 6 9 2 8 3

变异后    4 1 3 5 6 9 2 4 3

(9)终止条件

以预先设定的最大进化代数：100作为停止条件。

系统开发环境

操作系统：WINDOWS XP

数据库系统：ACCESS

应用程序开发工具：eM-Plant7.5，Visual Studio 2005

本文利用面向对象的仿真软件eM-Plant，使用Simtalk语言编写工件与设备的调度规则和控制策略实现仿真的控制与调度。性能分析层从不同的视图和数据库获取仿真数据，进行定量的性能分析和评价。

仿真时间以每天24小时不间断仿真计算，共仿真90天。为了使结果更真实，去掉系统的warm-up时间(30天)。

表3 Minfab模型仿真结果

调度规则	总移动量(卡次)	生产率(卡)	加工周期(分)
				FIFO	9423	1551	2942
EDD	9412	1550	2822
				CR	9412	1555	2880
SPT	9423	1557	2671
				LPT	9418	1517	2928
IA	9427	1565	2404

仿真结果如表3所示，可以看出，免疫方法在优化平均加工周期上，明显优于其它方法，比FIFO平均改进百分率改进18％。免疫方法大大缩短了平均加工周期，从而提高准时交货率，对目前的生产线要求高的准时交货率有重要意义。

Claims (2)

1.一种应用于多重入复杂制造系统的调度方法，采用免疫方法对该系统进行优化调度；其特征包括以下步骤：

1.1.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投料策略、工件选设备规则、批加工调度规则和单件加工调度规则；

1.2.种群初始化

随机生成N个个体组成初始种群；

1.3.染色体解码

Minfab具有3个设备组的调度，对一个特定编码的染色体，第1个基因表示工件的投料策略，其余2～4个基因分别表示设备组的调度规则，如第i个基因的第1个元素表示第i-1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；

1.4.适应度函数

假定选取总移动量、生产率和平均加工周期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)

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分别表示总移动量、生产率、平均加工周期的值，对各个目标函数按大小进行排序；

1.5.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n个编码：k₁，k₂，……，k_n，则该种群中第j位等位基因为k_i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阀值的k_i作为该等位基因上的疫苗片段，最终提取的疫苗Y＝(y₁，y₂，……，y_N)；

1.6.交叉变异

采用两点交叉方式，变异算子只是为选择、交叉过程中丢失的某些遗传基因进行修复和补充；

交叉概率p_c取0.4～0.99，其交叉概率p_c和变异概率p_m的自适应计算公式分别为：

p_c＝k₁(f_max-f_avg)/(f_max-f_min)

p_m＝k₂+k₃(f_max-f_i)/(f_max-f_min)

其中：k₁，k₂，k₃为常数；f_max，f_avg，f_min分别为当前种群的最大、平均和最小适应值；

1.7.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，最终形成免疫种群；

1.8.免疫选择

将免疫后的适应度退化的个体被父代中所对应的个体替代；

1.9.终止条件

以预先设定的最大进化代数N_gen作为停止条件

N_gen＝λ·(n+1)·D_avg/N，

其中：n为设备组数；D_avg为设备组平均调度规则组合数；N为初始种群个体数；λ为常数，一般取值为1～10。

2.根据权利要求1所述的应用于多重入复杂制造系统的调度方法，其特征在于：所述的优化调度包括：采用基于工件投料策略、工件选设备规则、批加工调度规则和单件加工设备规则方式编码；在考虑工件的准时交货率、产量和平均加工周期多目标优化性基础上，构造的适应度函数；抽取出对遗传进化贡献较大的基因片断作为疫苗，在遗传过程中通过对各个个体注射疫苗来加大进化压力。