CN103439885B - 半导体生产线优化调度装置 - Google Patents

Abstract

本发明涉及一种半导体生产线优化调度装置，包括依次连接的调度服务器、调度优化器和显示设备；调度服务器通过定时更新由企业的制造执行系统获得当前生产状况与待调度工件列表；调度优化器向调度服务器传递调度请求并且从调度服务器接收待调度工件列表，运用蚁群免疫融合算法获得优化调度方案；显示设备将优化调度方案显示在各个工位，辅助生产管理人员调度决策。与现有技术相比，本发明具有解决了半导体生产线优化调度难题，具有重要的实用价值，对提高我国半导体企业的生产管理水平具有重要指导意义等优点。

Description

半导体生产线优化调度装置

技术领域

本发明涉及一种半导体生产线调度技术，尤其是涉及一种半导体生产线优化调度装置。

背景技术

在采用流水线车间加工的生产系统中，一个传送系统沿着工作台运送在制品工件(Work-in-Process，WIP)，在每个工作台处，完成WIP的一道不同工序。从理论上，WIP在从头到尾加工行进期间中访问各个工作台一次。半导体生产线与使用流水线车间加工的大多数生产系统不同。在半导体生产线中，WIP在加工行进过程中有可能数次访问同一个工作台，WIP要经历数次清洗、氧化、沉积、喷涂金属、蚀刻、离子注入及脱膜等工序，直到完成半导体产品。

图1给出一种简化的多产品半导体生产线SL1。在该模型中，利用三个工作台W1、W2、W3制造两种产品A、B。工作台W1有两台设备E11、E12，工作台W2有两台设备E21、E22，工作台W3有一台设备E33。按照设备的加工程序，每个设备前最多具有加工程序数目个缓冲区，在此半导体生产线模型中，每个设备的缓冲区最多有2个，分别为S111、S112、S121、S122、S211、S212、S221、S222、S331、S332。不同完成状态下的WIP被放在缓冲区中以供相应的设备加工。在该模型中，产品在加工过程中数次访问同一个工作台，例如，产品类型A在完成加工退出半导体生产线SL1之前，访问工作站W1、W2、W3各两次。典型地，一般的半导体生产线可利用上百台工作台或设备制造十余种甚至数百种产品，每种产品需要数百道加工工序。

从图1中可以看出，在半导体生产线运行期间的任何特定时刻，设备E11、E12、E21、E22、E33处的缓冲区可含有两种产品不同完成阶段下的各式各样的WIP。然而，各设备的资源是有限的，因此，各WIP必须竞争各设备的有限资源。

随着半导体厂商的日益增加，市场竞争日益激烈，半导体厂商迫切需要提高制造运作性能，快速收回成本并提高客户满意度，并做出多种尝试。

在美国专利“半导体生产线推式调度方法(Push-type scheduling forsemiconductor fabrication)”(申请号：6714830)中，Browning与Raymond提出了一种为在瓶颈加工设备前排队等待加工的WIP确定加工优先级的方法。首先，为每个WIP确定下一次回到该设备之前或完成所有加工的所需完成的加工工序在该瓶颈设备的下游加工设备上是否存在确定的加工轨迹。如果存在确定的加工轨迹，就让这些加工设备为该WIP预留加工时间，然后再将此WIP投入加工。这样可以避免瓶颈设备的下游设备中出现瓶颈。如果存在多个WIP具有确定的加工轨迹，按照排队或优先级的方法确定WIP投入生产线的次序。这种方法实现起来比较麻烦，并且在生产线上存在着大量的WIP，为每个WIP都确定其加工轨迹很费时，并且生产线是高度不确定的，设备故障非常频繁，所有这些都会打乱已有的计划。

在美国专利“用于集成电路工件动态分派的制造方法与系统(Manufacturingmethod and system for dynamic dispatching of integrated circuit wafer lots)”(申请号：5889673)中，Pan Yirn-Sheng和Tseng Horng-Huei提出了将设备前等待加工的WIP中下一步即将使用的加工设备负载较低的WIP的优先级提高优先加工的方法。该方法只是尽量保证设备具有合适的负载，但是并没有考虑WIP的交货期限制以及设备占用情况。

在美国专利“用于半导体制造工厂动态分派的方法与系统(Method and systemfor dynamic dispatching in semiconductor manufacturing plants)”(申请号：5612886)中，Weng Yi-Cherng提出了基于看板思想的，同时考虑WIP优先级与排队时间的调度方法。该方法在思想上接近常用的FIFO(即先入先出策略)，该方法在WIP较少的情况下，是具有比较好的性能的。但当WIP水平较高的情况下，该策略的性能明显不如其他的调度方法。而在实际的半导体生产线上，常常具有较高的WIP水平。

在美国专利“基于优先级的半导体集群设备调度方法与装置(Method andapparatus for priority based scheduling of wafer processing within a multiple chambersemiconductor wafer processing tool)”(申请号：5928389)中，Jevtic提出了一种基于优先级的调度方法，该方法根据设备的可用能力动态改变工件的加工优先级，根据优先级确定工件的加工顺利。该方法只考虑了特定设备WIP的移动方式，未考虑生产线调度。

在美国专利“带有多臂机器人的半导体集群设备调度方法与装置(Method andapparatus for scheduling wafer processing within a multiple chamber semiconductorwafer processing tool having a multiple blade robot)”(申请号：6074443)中，Venkatesh与Jevtic调度器为集群设备中的每个工具指定优先级，然后根据此优先级实现工件在工具间的流动，优先级是按照最小加工时间原则确定的。该方法只考虑了特定设备中WIP的移动方式，未考虑生产线调度。

在美国专利“半导体集群设备排程方法与装置(Method and apparatus forsequencing wafers in a multiple chamber,semiconductor wafer processing system)”(申请号：6122566)中，Nguyen与Levi提出了一种实时多任务控制机制来预测下一步将要加工的工件，如果工具空闲，则工件被移送给工具；如果工具占用，工件被缓存。该方法只考虑了特定设备中WIP的移动方式，未考虑生产线调度。

在美国专利“半导体工具工件调度系统与方法置(System and method forscheduling manufacturing jobs for a semiconductor manufacturing tool)”(申请号：7269469)中，Shi等提出了一种监控工件在缓冲区的位置以保证在正确时间加工的方法，该方法只考虑了特定设备中WIP的移动方式，未考虑生产线调度。

在中国专利“基于最小闲滞时间思想的可再入生产线加工的调度方法”(申请号：CN 1230267A)中，P.R.库玛尔与瑞.M.理查德森提出了一种为设备前缓冲区中每个WIP生成闲滞变量，选择闲滞变量最小的WIP优先加工的方法。该方法存在以下几个不足。首先，只考虑了降低WIP的加工周期，但却没有考虑交货期的限制，因为即使是同种产品，其交货期可能也是不同的，从而可能造成准时交货率的下降；其次，没有考虑半导体生产设备的加工特性，许多半导体加工设备的加工程序发生变化时，要引起较长的准备时间，从而造成加工周期的延长与设备利用率的下降。

在中国专利“用于调度半导体批次的系统”(申请号：CN101361075)中，迪克斯坦等提供了一种用于在多个工具之间调度多个半导体批次的系统。该系统包括调度服务器管理器以及调度综合器和显示设备。调度综合器和显示设备向管理器传递调度请求并且从管理器接收调度列表。该管理器查询多个半导体批次的处理状态并且显示调度列表以响应处理状态。调度列表包括与处理状态有关的相关原因和/或代码。该方法通过查询批次的状态与既定的调度列表完成批次调度，不具备优化功能。

在中国专利“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”(申请号：CN101493857)中，吴启迪等提供了一种基于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，缺点是对调度策略集合的选择具有一定的依赖性。

在中国专利“半导体制造系统的重调度决策系统”(申请号：CN101424919)中，张洁等提供了一种半导体制造领域的半导体制造系统的重调度决策系统。系统中，GUI模块负责与用户和其他模块进行交互；模糊神经网络决策模块获得半导体制造系统的生产状态和干扰信息数据，进行半导体制造系统的重调度决策处理，并将重调度决策处理的信息结果输出到模糊神经网络参数训练模块和GUI模块。模糊神经网络参数训练模块对模糊神经网络决策模块的模糊化层的中心值、宽度值参数和输出层的连接权值参数进行训练处理，提高了半导体制造系统的重调度决策的准确性。

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”(申请号：CN1734382)中，吴启迪等提供了一种基于信息素的用于半导体生产线的动态调度方法。该调度方法的实施步骤为：首先，为每个WIP存储信息素变量，该变量与该WIP的交货期、待加工工序对设备的占用时间、WIP各工序的净加工时间以及WIP的生产周期倍增因子相关；其次，为每个设备存储信息素变量，该变量与设备负载相关，然后，把多个WIP的信息素变量以及相关的设备的信息素变量进行综合，为每个WIP生成一个选择变量；最后，根据该方法，对多个WIP比较选择变量以选择多个WIP中的一个用于在该设备上加工。该调度方法可以同时改善生产或制造系统的多个性能指标，包括短期性能指标以及长期性能指标。

纵观目前已有的半导体生产线调度方面的专利，主要针对半导体生产线的特定加工区域；在针对半导体生产线调度的专利中，主要采取基于规则的方法，或者采取智能方法选取规则的组合的方法，尚未发现直接使用智能优化方法获得半导体生产线的优化调度方案的专利。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种半导体生产线优化调度装置，解决了半导体生产线优化调度难题，具有重要的实用价值，对提高我国半导体企业的生产管理水平具有重要指导意义。

本发明的目的可以通过以下技术方案来实现：

一种半导体生产线优化调度装置，其特征在于，包括依次连接的调度服务器、调度优化器和显示设备；

调度服务器通过定时更新由企业的制造执行系统获得当前生产状况与待调度工件列表；调度优化器向调度服务器传递调度请求并且从调度服务器接收待调度工件列表，运用蚁群免疫融合算法获得优化调度方案；显示设备将优化调度方案显示在各个工位，辅助生产管理人员调度决策；

所述的调度服务器通过定时更新由企业的制造执行系统获得当前生产状况与待调度工件列表具体为：

$\begin{array}{c}L=L_1\∪L_2\\ L_1=\left\{l_{{\mathrm{iJ}}_0},l_{i\left(J_0+1\right)},\mathrm{...},l_{iJ}{|}_{i=1,\mathrm{...},I;x_i=1;J=J_0+f_{i}h}\right\}\\ L_2=\left\{l_{{\mathrm{iJ}}_0},l_{i\left(J_0+1\right)},\mathrm{...},l_{iJ}{|}_{i=1,\mathrm{...},I;x_i=0;J=J_0+h}\right\}\end{array}---\left(1\right)$

其中：

为工件i在调度决策时刻的正在加工工序或待调度工序；

如果工件i是紧急工件，x_i＝1；否则，x_i＝0；

l_iJ为工件i在计划时段内预计完成的最后一道工序，如果工件i是紧急工件，J＝J₀+f_ih；否则，J＝J₀+h，h是半导体生产线的WIP平均移动步数，由制造执行系统中的历史数据统计得到，f_i是工件i的生产周期倍增因子，即平均加工周期与净加工时间的比值；

将上述工件根据加工流程信息，分配到每个加工区域，即为各加工区域的待调度工件列表；

所述的调度优化器运用蚁群免疫融合算法获得优化调度方案具体为：

步骤1：确定半导体生产线的瓶颈区域，对于非批加工瓶颈区域，采取免疫克隆选择算法(ICSA,Immune Clone Selection Algorithm)搜索排程方案；对于批加工区域，采取蚁群优化算法(ACO,Ant Colony Optimization Algorithn)搜索排程方案；

步骤2：建立蚁群优化算法的搜索空间和免疫克隆选择算法的初始抗体种群；对于蚁群优化算法，搜索空间的节点数为其中N为待调度任务数，I为生产线上工件的数目，M为瓶颈加工区域设备数，B为设备的最大加工批量；对于免疫克隆选择算法，初始抗体随机生成，初始编码为：a_i＝{j_i1,j_i2,...,j_ik}，其中j_ik表示待加工的工件，k是初始编码长度，抗体种群：A＝{a₁，a₂，…，a_Φ}，Φ是抗体种群中的抗体数量；

步骤3：蚁群免疫参数初始化，其中参数包括蚁群的个数、终止条件与节点之间弧的初始信息素、抗体种群规模变异概率和抗体记忆概率；

步骤4：蚁群优化算法中，每个蚁群随机指定一个蚂蚁开始搜索过程，获得本瓶颈加工区域的排程方案；免疫克隆选择算法中，通过抗体之间的交叉、变异、选择获得排程方案；

步骤5：按照工序顺序约束将各瓶颈加工区域的排程方案重新整合为统一的瓶颈加工区域排程方案；

步骤6：以瓶颈加工区域排程方案和工件加工顺序为约束，推导非瓶颈加工区域的排程方案，则获得半导体生产线的排程方案，计算该方案的目标值，储存当前最优值；

步骤7：判断是否满足程序终止条件，若满足，执行步骤11；否则，执行步骤8；

步骤8：使用排程方案更新信息素

${\mathrm{\Δ}}_{{\mathrm{\τ}}_{xy}}=\left\{\begin{array}{c}\max (\underset{m\∈Bottleneck}{\Σ}{U}_m/N_B)/(\underset{i}{\Σ}{w}_i{T}_i/\underset{i}{\Σ}{\mathrm{Mov}}_i)\\ xy\∈L_{tabu}^k{|}_{\min (\underset{i}{\Σ}{w}_i{T}_i/\underset{i}{\Σ}{\mathrm{Mov}}_i)/\max (\underset{m\∈Bottleneck}{\Σ}{U}_m/N_B)}\\ \begin{array}{cc}0& otherwise\end{array}\end{array}\right.$

τ_xy(t+1)＝(1-ρ)τ_xy(t)+Δτ_xy，0＜ρ＜1

其中，ρ是信息素挥发因子；Mov_i是工件i在计划时段内的移动步数；U_m是设备m在计划时段内的利用率；N_B是所有瓶颈加工区域内设备总台数；w_i,T_i分别是工件i的权值和工序交货延迟，T_i＝T_iJ＝max{0,c_iJ-d_iJ}，c_iJ,d_iJ分别是l_iJ的完工时间与交货期，d_i是工件i的交货期，r_i是工件i的投料时刻，RPT_i是工件i的总净加工时间，RPT_ij是工序到l_iJ的净加工时间之和；J为工件i在计划时段内预计完成的工序数目，τ_xy(t)和τ_xy(t+1)分别为当前时刻t和下一时刻t+1节点对的信息素，Bottleneck表示瓶颈设备集合，是禁忌表，存储了已经访问过的节点对；

步骤9：执行抗体选择及克隆，将抗体选择阶段得到的n个最高亲和力抗体，并按照亲和力越高，被克隆的数量越多的规则来进行克隆：

$C\left(a_i\right)=round\left(\frac{\mathrm{\β}*n}{i}\right),i=1,2,\mathrm{...},n$

其中，β表示获得抗体克隆个数的参数，C(a_i)表示由抗体i克隆出的抗体个数；

步骤10：抗体再选择、变异及抗体记忆，抗体变异由变异概率决定，抗体记忆为模拟生物克隆选择5％B细胞自然消亡的过程，并返回步骤4；

步骤11：输出当前最优排程方案作为调度方案。

所述的蚁群的个数为瓶颈加工区域的个数；

各蚁群的蚂蚁个数按经验设为10；

终止条件包括2个，一是最大迭代次数，二是连续两次最优解的改进小于给定值；

节点之间弧的初始信息素为

${\mathrm{\τ}}_{xy}\left(0\right)=\left\{\begin{array}{cc}\mathrm{\ϵ}& x,y\∈S,x\≠y\\ 0& x,y\∈S,x=y\end{array}\right.$

其中，x,y代表搜索空间的节点对，ε表示节点对初始信息素值，设为0.01；

抗体种群规模设为30，抗体中元素个数为加工区域工件的个数；

抗体变异概率为0.04，抗体记忆的概率为抗体个数的5％。

蚁群优化算法中的蚂蚁选择下一个节点的概率为

$l=\left\{\begin{array}{cc}{\mathrm{argmax}}_{c\∈L_{task}^k}\left\{\frac{{\mathrm{\α\τ}}_{c_{0}c}+\left(1-\mathrm{\α}\right){\mathrm{\η}}_{c_{0}c}}{\underset{c}{\Σ}{\mathrm{\α\τ}}_{c_{0}c}+\left(1-\mathrm{\α}\right){\mathrm{\η}}_{c_{0}c}}\right\}& ifq\≤q_0\\ \underset{c}{\max }\left(rand\right(0,1)\×\frac{{\mathrm{\α\τ}}_{c_{0}c}+(1-\mathrm{\α}){\mathrm{\η}}_{c_{0}c}}{\underset{c}{\Σ}{\mathrm{\α\τ}}_{c_{0}c}+(1-\mathrm{\α}){\mathrm{\η}}_{c_{0}c}})& otherwise\end{array}\right.,$

${\mathrm{\η}}_{c_{0}c}=(1-\frac{(P_c+U_{c_{0}c}+\max ((A_c-F_{c_0}),0\left)\right)}{\left(\underset{c}{\max }\right(P_c)+\underset{c}{\max }(U_{c_{0}c})+\max (\left(\underset{c}{\max }\right(A_c)-F_{c_0}),0\left)\right)})+\frac{B_c}{B},$

其中：c是任务表中的任一节点；c₀是蚂蚁k选中的与c使用相同设备的上一节点；F_c0是c₀的完工时间；P_c是c的加工时间；是由c₀切换到c发生的整定时间；是启发式因子，代表c对设备的占用和设备间的相对负载；α是代表信息素浓度与启发式因子的相对重要性，α越大，代表选择节点时越偏重解的质量信息；B_c是任务c的组批工件数目，B是加工区设备的最大加工批量，Ac是任务c到达加工区的时刻，是节点对(c,c₀)的信息素，q,q₀是随机生成数，0<q,q₀<1，q₀越大，选择最优下一节点的可能性越大，反之，随机选择下一节点。

所述的优化调度方案为半导体生产线上各设备计划时段内工件的加工顺序与加工时段。

与现有技术相比，本发明具有以下优点：

1)本发明优化调度装置构建在企业的制造执行系统之外，通过制造执行系统获取相关信息，本装置就可以获得计划时段内半导体生产线中的各设备加工多个工件的优化调度方案，显示在管理人员面前辅助决策。

2)本发明提供的优化调度装置可在任何时刻以任何一组该系统的初始条件状态应用于多种产品类型的生产或制造系统中。

3)本发明提供的优化调度装置可根据需要优化指定的生产或制造系统的多个性能指标，特别是通过提高系统的流片率与瓶颈设备利用率，以获得准时交货率、生产率、平均生产周期时间以及生产周期时间的标准方差等性能的改进。

4)本发明提供的优化调度装置可以根据要优化的性能指标，来相应地改变目标值的表示方式，对其求解流程不发生影响，可以方便地实现重用。

5)利用对半导体制造厂提供的各工业数据组进行仿真测试，并且显示出本装置提供的优化调度方案与标准FIFO策略相比，每日平均工件移动步数平均改进为3-4％，瓶颈加工区域设备利用率平均改进为8-10％。这样的改进程度是本发明的典型性能水平。总之，本发明提供的半导体生产线优化调度装置对解决半导体生产线优化调度难题具有重要的实用价值，对提高我国半导体企业的生产管理水平具有重要指导意义。

附图说明

图1为半导体生产线系统的方块图，其中不同完成阶段下的不同产品类型的WIP在多个设备处竞争有限的资源。

图2是本发明的调度装置的决策流程，其中1为调度服务器，2为调度优化器，3为显示设备，4为制造执行系统。

图3是本发明的排程方法的实施例图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

图3给出了一个半导体生产线的简化模型Mini-Fab。该模型包括3个设备群(M₁、M₂、M₃)，其中：M₁有两台可互替设备(M_a、M_b)，模拟半导体生产线的扩散加工区，是批加工设备；M₂有两台可互替设备(M_a、M_b)，模拟半导体生产线的离子注入加工区，是非批加工设备；M₃有一台设备(M_e)，模拟半导体生产线的光刻加工区，是非批加工设备。在该模型上完成加工的工件的加工流程完全相同，包括6个加工步骤，分别在M₁、M₂、M₃上完成加工，具体加工流程可参见附图3，不同工件的相同工序在批加工设备处(即M_a、M_b)可并批加工。采用本发明提出优化调度装置的具体工件流程如下。

步骤1：调度服务器与制造执行系统通讯，获取待调度工件信息，确定计划时段内待调度工件列表。假定Mini-Fab需要调度的任务为2个工件(l₁，l₂)的全部工序，即

L＝{l₁₁,l₁₂,l₁₃,l₁₄,l₁₅,l₁₆,l₂₁,l₂₂,l₂₃,l₂₄,l₂₅,l₂₆}

调度由零初始时刻开始，即线上没有在制品工件，由于考虑完成工件的所有工序加工，因此移动步数相同，设备利用率与完工时间相关(设备利用率＝设备加工时间/完工时间)，需要优化的目标体现为最小化交货延迟与最小化完工时间。

假定该模型的瓶颈加工区域为M₁(即M_a、M_b)和M₃(即M_e)。根据工件的加工流程，可确定瓶颈加工区域M₁和M₃的待调度任务集

L₁＝{l₁₁,l₁₅,l₂₁,l₂₅},L₃＝{l₁₃,l₁₆,l₂₃,l₂₆}

步骤2：调度优化器向调度服务器请求待调度工件列表。瓶颈加工区域M₁和M₃分别调用算法ACO与ICSA获得各自的排程方案。ACO与ICSA的搜索空间分别为

S₁＝{(l₁₁,M_a),(l₁₅,M_a),(l₁₁,l₁₅,M_a),(l₂₁,M_a),(l₂₅,M_a),(l₂₁,l₂₅,M_a),

(l₁₁,M_b),(l₁₅,M_b),(l₁₁,l₁₅,M_b),(l₂₁,M_b),(l₂₅,M_b),(l₂₁,l₂₅,M_b)}

S₂＝{(l₁₃,M_e),(l₁₆,M_e),(l₂₃,M_e),(l₂₆,M_e)}

为免疫克隆算法的编码方便，我们将ICSA的某个初始抗体设成：a_i＝(0，1，2，3)，奇偶数分别代表步骤3和步骤6，同时0和2代表工件1和工件2。

步骤3：蚁群免疫参数初始化：人工蚂蚁个数、终止条件与节点之间弧的初始信息素。

各蚁群的蚂蚁个数按经验设为10；

终止条件包括2个：一是最大迭代次数100次，二是连续两次最优解的改进小于0.001；

节点之间弧的初始信息素按公式(2)设定。

步骤4：免疫初始化：初始抗体(随机生成)、终止条件(最大迭代次数100)与抗体记忆概率(抗体规模的5％)。

步骤5：每个蚁群随机指定一个蚂蚁开始搜索过程，获得本瓶颈加工区域的排程方案。假定M₃调用算法ICSA获得的排程方案为l₁₃→l₁₆→l₂₃→l₂₆，M₁调用算法ACO获得的排程方案为{M_a:l₁₁→l₂₁|M_b:l₂₁→l₂₅}。

步骤6：按照工序顺序约束将各瓶颈加工区域的排程方案重新整合为统一的瓶颈加工区域排程方案，即{M_a:l₁₁→l₁₅|M_b:l₂₁→l₂₅|M_e:l₁₃→l₁₆→l₂₃→l₂₆}。

步骤7：以瓶颈加工区域排程方案和工件加工顺序为约束，推导非瓶颈加工区域的排程方案，则获得半导体生产线的排程方案，

{M_a:l₁₁→l₁₅|M_b:l₂₁→l₂₅|M_e:l₁₃→l₁₆→l₂₃→l₂₆|M_c:l₁₂→l₂₂|M_d:l₁₄→l₂₄}计算该方案的目标值，储存当前最优值。

步骤8：判断是否满足程序终止条件。满足转步骤12；否则，转到步骤9。

步骤9：使用排程方案用公式(4)更新信息素。

步骤10：执行抗体选择及克隆。将抗体选择阶段得到的n个最高亲和力抗体按照亲和力越高，被克隆的数量越多的规则来进行。

步骤11：抗体再选择、变异及抗体记忆。抗体变异由变异概率决定，抗体记忆是模拟生物克隆选择中5％B细胞自然消亡的过程，小比例的初始化抗体种群，因此，设定抗体记忆的概率为抗体规模的5％。转步骤5。

步骤12：输出当前最优排程方案作为调度方案，在显示器上展示给管理人员辅助决策。

本发明提供的优化调度装置提供一种用于调度半导体生产线中各设备工件加工的方法。每个工件代表采用半导体生产线制造的多种产品类型中的一种产品，此外，本发明也可用于单种产品类型中的所有工件。

具体地，一旦启动该装置，首先于制造执行系统获得线上工况与待调度工件；然后设置所需参数，开始寻优过程，获得半导体生产线的排程方案并展示在显示器上辅助管理人员决策。

Claims (4)

1.一种半导体生产线优化调度装置，其特征在于，包括依次连接的调度服务器、调度优化器和显示设备；

调度服务器通过定时更新由企业的制造执行系统获得当前生产状况与待调度工件列表；调度优化器向调度服务器传递调度请求并且从调度服务器接收待调度工件列表，运用蚁群免疫融合算法获得优化调度方案；显示设备将优化调度方案显示在各个工位，辅助生产管理人员调度决策；

所述的调度服务器通过定时更新由企业的制造执行系统获得当前生产状况与待调度工件列表具体为：

其中：

为工件i在调度决策时刻的正在加工工序或待调度工序；

如果工件i是紧急工件，x_i＝1；否则，x_i＝0；

l_iJ为工件i在计划时段内预计完成的最后一道工序，如果工件i是紧急工件，J＝J₀+f_ih；否则，J＝J₀+h，h是半导体生产线的WIP平均移动步数，由制造执行系统中的历史数据统计得到，f_i是工件i的生产周期倍增因子，即平均加工周期与净加工时间的比值；

将上述工件根据加工流程信息，分配到每个加工区域，即为各加工区域的待调度工件列表；

所述的调度优化器运用蚁群免疫融合算法获得优化调度方案具体为：

步骤1：确定半导体生产线的瓶颈区域，对于非批加工瓶颈区域，采取免疫克隆选择算法(ICSA,Immune Clone Selection Algorithm)搜索排程方案；对于批加工区域，采取蚁群优化算法(ACO,Ant Colony Optimization Algorithm)搜索排程方案；

步骤2：建立蚁群优化算法的搜索空间和免疫克隆选择算法的初始抗体种群；对于蚁群优化算法，搜索空间的节点数为其中N为待调度任务数，I为生产线上工件的数目，M为瓶颈加工区域设备数，B为设备的最大加工批量；对于免疫克隆选择算法，初始抗体随机生成，初始编码为：a_i＝{j_i1,j_i2,...,j_ik}，其中j_ik表示待加工的工件，k是初始编码长度，抗体种群：A＝{a₁，a₂，…，a_Φ}，Φ是抗体种群中的抗体数量；

步骤3：蚁群免疫参数初始化，其中参数包括蚁群的个数、终止条件与节点之间弧的初始信息素、抗体种群规模变异概率和抗体记忆概率；

步骤4：蚁群优化算法中，每个蚁群随机指定一个蚂蚁开始搜索过程，获得本瓶颈加工区域的排程方案；免疫克隆选择算法中，通过抗体之间的交叉、变异、选择获得排程方案；

步骤5：按照工序顺序约束将各瓶颈加工区域的排程方案重新整合为统一的瓶颈加工区域排程方案；

步骤6：以瓶颈加工区域排程方案和工件加工顺序为约束，推导非瓶颈加工区域的排程方案，则获得半导体生产线的排程方案，计算该方案的目标值，储存当前最优值；

步骤7：判断是否满足程序终止条件，若满足，执行步骤11；否则，执行步骤8；

步骤8：使用排程方案更新信息素

τ_xy(t+1)＝(1-ρ)τ_xy(t)+Δτ_xy，0＜ρ＜1

其中，ρ是信息素挥发因子；Mov_i是工件i在计划时段内的移动步数；U_m是设备m在计划时段内的利用率；N_B是所有瓶颈加工区域内设备总台数；w_i,T_i分别是工件i的权值和工序交货延迟，T_i＝T_iJ＝max{0,c_iJ-d_iJ}，c_iJ,d_iJ分别是l_iJ的完工时间与交货期，d_i是工件i的交货期，r_i是工件i的投料时刻，RPT_i是工件i的总净加工时间，RPT_ij是工序到l_iJ的净加工时间之和；J为工件i在计划时段内预计完成的工序数目，τ_xy(t)和τ_xy(t+1)分别为当前时刻t和下一时刻t+1节点对的信息素，Bottleneck表示瓶颈设备集合，是禁忌表，存储了已经访问过的节点对；

步骤9：执行抗体选择及克隆，将抗体选择阶段得到的n个最高亲和力抗体， 并按照亲和力越高，被克隆的数量越多的规则来进行克隆：

其中，β表示获得抗体克隆个数的参数，C(a_i)表示由抗体i克隆出的抗体个数；

步骤10：抗体再选择、变异及抗体记忆，抗体变异由变异概率决定，抗体记忆为模拟生物克隆选择5％B细胞自然消亡的过程，并返回步骤4；

步骤11：输出当前最优排程方案作为调度方案。

2.根据权利要求1所述的一种半导体生产线优化调度装置，其特征在于，所述的蚁群的个数为瓶颈加工区域的个数；

各蚁群的蚂蚁个数按经验设为10；

终止条件包括2个，一是最大迭代次数，二是连续两次最优解的改进小于给定值；

节点之间弧的初始信息素为

其中，x,y代表搜索空间的节点对，ε表示节点对初始信息素值，设为0.01；

抗体种群规模设为30，抗体中元素个数为加工区域工件的个数；

抗体变异概率为0.04，抗体记忆的概率为抗体个数的5％。

3.根据权利要求1所述的一种半导体生产线优化调度装置，其特征在于，蚁群优化算法中的蚂蚁选择下一个节点的概率为

其中：c是任务表中的任一节点；c₀是蚂蚁k选中的与c使用相同设备的上一节点；F_c0是c₀的完工时间；P_c是c的加工时间；是由c₀切换到c发生的整定 时间；是启发式因子，代表c对设备的占用和设备间的相对负载；α是代表信息素浓度与启发式因子的相对重要性，α越大，代表选择节点时越偏重解的质量信息；B_c是任务c的组批工件数目，B是加工区设备的最大加工批量，Ac是任务c到达加工区的时刻，是节点对(c,c₀)的信息素，q,q₀是随机生成数，0<q,q₀<1，q₀越大，选择最优下一节点的可能性越大，反之，随机选择下一节点。

4.根据权利要求1所述的一种半导体生产线优化调度装置，其特征在于，所述的优化调度方案为半导体生产线上各设备计划时段内工件的加工顺序与加工时段。