CN110673560B - 基于操作完工时间快速预测的集成电路生产线调度方法 - Google Patents

基于操作完工时间快速预测的集成电路生产线调度方法 Download PDF

Info

Publication number
CN110673560B
CN110673560B CN201910957566.6A CN201910957566A CN110673560B CN 110673560 B CN110673560 B CN 110673560B CN 201910957566 A CN201910957566 A CN 201910957566A CN 110673560 B CN110673560 B CN 110673560B
Authority
CN
China
Prior art keywords
scheduling
sub
scheduling problem
integrated circuit
production line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910957566.6A
Other languages
English (en)
Other versions
CN110673560A (zh
Inventor
刘民
董明宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201910957566.6A priority Critical patent/CN110673560B/zh
Priority to PCT/CN2019/111449 priority patent/WO2021068274A1/zh
Publication of CN110673560A publication Critical patent/CN110673560A/zh
Application granted granted Critical
Publication of CN110673560B publication Critical patent/CN110673560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/418Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/32Operator till task planning
    • G05B2219/32252Scheduling production, machining, job shop
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

基于操作完工时间快速预测的集成电路生产线调度方法,属于先进制造、自动化和信息领域,其特征在于,针对以最小化平均流经时间为调度目标的集成电路生产线调度问题,首先通过松弛不可中断约束,提出一种基于机器负载的操作完工时间快速预测(CTP‑ML)方法对操作完工时间进行预测,之后,根据各个操作的完工时间预测值,将集成电路生产线调度问题迭代分解为多个连续交迭的子调度问题,在每次迭代中,采用一种基于双信息素的蚁群算法(ACO‑D)求解当前迭代阶段的子调度问题,并固定该子调度问题解的开始加工时间,将其余操作滚动到下一迭代子调度问题中。使用该调度方法可有效改善集成电路生产线的平均流经时间调度指标。

Description

基于操作完工时间快速预测的集成电路生产线调度方法
技术领域
本发明属于先进制造、自动化和信息领域,具体涉及一种基于操作完工时间快速预测的集成电路生产线调度方法。
背景技术
集成电路制造产业是具有战略资源和国际特征的基础产业,是信息社会的基石和核心,对传统产业的具有渗透与带动作用,对国家安全与国防建设起到关键作用。而集成电路生产线优化调度技术水平一直是制约集成电路制造企业提高竞争力和集成电路制造产业发展的瓶颈之一。随着全球市场激烈的竞争,集成电路生产线呈现出多品种小批量(low-volume high-mix)特点,其相应的调度问题具有规模大(从投入生产到产品成型往往需要几十道甚至上百道工步)和约束复杂(包括菜单约束、Setup时间约束、组批约束等)等特点,其优化求解具有一定难度,该研究方向近年来一直受到国内外学术界和工业界的关注。
针对上述具有大规模特点的离散型生产过程调度问题,国内为学者们试图从问题分解的角度,降低求解规模,提高蚁群算法、遗传算法等群体智能优化算法的求解性能。主要包括基于机器的分解和基于时间的分解方法。机器分解的方法主要是将原调度问题涉及的机器根据一些属性(如瓶颈程度、机器所属流程等)进行分组,对不同的机器组采用不同的策略进行求解,然后协调不同分组之间的约束形成原调度问题的解。然而,由于不同子问题间存在约束,为获得问题的可行解往往需要对子问题反复迭代协调求解,其求解效率往往较低。另外,由于集成电路生产线存在多品种小批量及可重入特性,使得生产过程中瓶颈机器等特性会发生漂移,从而上述基于机器分解的方法难以直接应用于集成电路生产线调度问题。
发明内容
为解决以最小化平均流经时间为调度目标的集成电路生产线调度问题,本发明提出一种基于操作完工时间快速预测的集成电路生产线调度方法。
(一)以最小化平均流经时间为调度目标的集成电路生产线调度问题描述
设集成电路生产线调度问题包含I个Lot(加工晶圆批次)和K台机器,分别组成Lot集合J={Ji|i=1,2,…,I}和机器集合M={Mk|k=1,2,…,K},ri≥0为Lot Ji的释放时刻,Lot Ji(j=1,2,…,ni)由ni个操作{Oij|j=1,2,…,ni}组成,O={Oij|i=1,2,…,I;j=1,2,…,ni}为调度问题所有操作组成的集合,Lot的加工工艺(集成电路制造企业中称为菜单)是连接操作和机器的纽带,每个Lot的每个操作均具有某一菜单,而每台机器仅能加工具有某些菜单的操作(以下将机器加工具有某菜单的操作简称为机器加工某菜单),设E={el|l=1,2,…,L}为所有菜单的集合,操作Oij的菜单为eij∈E,机器Mk可加工的菜单组成集合
Figure BDA0002227840430000025
从而当且仅当eij∈Ek时,操作oij可以在机器Mk上加工,相应的加工时间
Figure BDA0002227840430000026
仅由其加工机器和具有的菜单唯一确定,根据机器的组批能力,所有的机器可分为组批加工机器
Figure BDA0002227840430000028
和串行加工机器
Figure BDA0002227840430000027
在任一串行加工机器上,每个时刻仅能加工一个操作,在任一组批加工机器上,每一时刻可加工多个操作,同时加工的操作形成一批,能同时加工的最大操作数称为机器的组批能力,设Blk为菜单el(l=1,2,…,L)在机器Mk(k=1,2,…,K)上的组批能力,不失一般性,对于串行加工机器Mk∈Ms和菜单el∈Ek,相应的组批能力Blk=1,另外,在机器Mk(k=1,2,…,K)上,若即将加工操作的菜单el与上一个加工操作的菜单不同,则需要一个额外的Setup时间,令加工操作Oij所需的Setup时间标记为uij,本发明涉及的调度目标是以最小化平均流经时间,设ci≥0为Ji最后一个操作的完工时间,Ji的流经时间为ci-ri,则最小化目标函数为
Figure BDA0002227840430000021
(二)集成电路生产线调度问题中各操作完工时间快速预测
为求解上述集成电路生产线调度问题,本发明需将调度问题进行迭代分解,迭代分解中需要使用调度问题中各操作的完工时间预测值,本发明提出一种基于机器负载的操作完工时间快速预测方法。
设rij为操作Oij的到达时间,即操作Oij最早可开始加工时间,及前继操作Oi,j-1的完工时间,那么,操作Oij的完工时间cij可根据其可加工机器集合Mij前的等待加工操作,即机器负载,按如下方法进行预测:
考虑到操作Oij在其可加工机器集Mij中每台机器Mk∈Mij的加工时间
Figure BDA0002227840430000022
互不相同,将其在上述所有机器上的平均加工时间
Figure BDA0002227840430000023
来表征实际加工时间:
Figure BDA0002227840430000024
|A|表示集合A中元素的个数。
进一步,操作Oij平均分配到其可加工机器集合Mij中每台机器上的加工负载为:
Figure BDA0002227840430000031
那么,令Wk为机器Mk前等待加工操作的集合,则机器Mk的理论负载可根据下式计算:
Figure BDA0002227840430000032
根据式(3),操作Oij的完工时间cij可预测为:
Figure BDA0002227840430000033
进而,Lot Ji的第m(m>j)个操作Oim的完工时间cim可预测为:
Figure BDA0002227840430000034
那么,操作Oim的到达时间可预测为:
Figure BDA0002227840430000035
Lot Ji的完工时间ci可根据其第j个操作的到达时间rij及各机器的理论负载Γk通过下式预测:
Figure BDA0002227840430000036
(三)集成电路生产线调度问题迭代分解
为求解上述集成电路生产线调度问题,基于第二节得到的操作完工时间预测值,本发明提出一种调度问题迭代分解方法,将原调度问题分解为多个子调度问题,再对子调度问题进行求解。本发明提出的调度问题迭代分解按如下步骤进行:
步骤(1):子调度问题构造
根据Lot的工艺路径、时间窗口及操作完工时间预测值,从未调度操作中选取当前可加工及部分将来可加工的操作构成子问题,子问题的调度目标为全局调度目标的预测值,设当前阶段(第k阶段)已调度操作(即已确定加工开始时间的操作)组成集合Bk,bi(i=1,2,…,I)为工件Ji中属于集合Bk的最大操作号,即
bi=max{j|Oij∈Bk} (8)
然后,根据式(5)和(6)对不属于操作集Bk的操作Oij(j>bi)的到达时间rij进行预测,并从其中选取Ns
Figure BDA0002227840430000037
最小的操作组成子问题的操作集Hk,其余操作形成操作集合Pk,根据上述子问题的形成过程,第k阶段,子问题的数学规划模型可描述为:
Figure BDA0002227840430000038
Figure BDA0002227840430000039
Figure BDA0002227840430000041
Figure BDA0002227840430000042
Figure BDA0002227840430000043
Figure BDA0002227840430000044
Figure BDA0002227840430000045
Figure BDA0002227840430000046
式(9)为调度的目标函数:最小化全局预测的平均流经时间作为子问题的目标函数,
Figure BDA0002227840430000047
为Ji的预测完工时间,通过式(7)获得,式(10)给出了工艺路径约束和Setup时间约束,k(i,j-1)表示Oi,j-1的加工机器,式(11)给出了不可中断约束,式(12)给出了在同一台机器上两个操作的先后加工顺序约束,若在机器Mk上操作Oij先于操作Omn加工,则
Figure BDA0002227840430000048
否则,
Figure BDA0002227840430000049
Figure BDA00022278404300000410
是一极大的正数,式(13)表明任一台机器同一时刻只能加工一个菜单,若时刻t在机器Mk上加工的菜单为ρl,则
Figure BDA00022278404300000411
否则,
Figure BDA00022278404300000412
式(14)表明一个操作只能在一台机器上加工,若时刻t Lot Ji在机器Mk上加工,则
Figure BDA00022278404300000413
否则,
Figure BDA00022278404300000414
式(15)给出了组批约束,式(16)给出子问题中每个Lot第一个操作的开始时间受已确定加工开始时间操作集Bk中相应操作完工时间的约束;
步骤(2):子调度问题调整
本发明采用子调度问题搭接的方式处理两个连续子调度问题间关系,设搭接操作集Rk规模为Nr,子调度问题中已安排操作加工的组批加工机器集合为
Figure BDA00022278404300000415
采用如下步骤从当前阶段子调度问题中选择部分操作作为搭接操作移入下一阶段子调度问题进行求解:
步骤(2.1):令
Figure BDA00022278404300000416
步骤(2.2):对Ωb中每一台机器Mi∈Ωb,若最后一批加工的操作所属的批次小于最大组批能力,则该批所有操作均为搭接操作,即将该批所有操作并入操作集Rk中;
步骤(2.3):若Rk中所包含操作的总数小于Nr,则执行如下步骤,否则,结束流程:
步骤(2.3.1):从Hk中顺序选择部分加工开始时间sij最大的操作放入操作集合Rk中,使得操作集Rk规模达到Nr
步骤(2.3.2):设步骤2.3.1移入操作集Rk中所有操作中,最小的加工开始时间对应的操作为
Figure BDA00022278404300000417
则将与操作
Figure BDA00022278404300000418
同批的所有操作移入到操作集Rk
(四)子调度问题求解
针对在第三节中构建的子调度问题,本发明提出一种基于双信息素的蚁群算法对子调度问题进行求解,具体步骤如下:
步骤(1):确定双信息素的蚁群算法中的状态转移概率
双信息素是指Lot加工菜单信息和操作信息,在蚁群算法需要确定双信息署的状态转移概率:
1)确定菜单状态转移概率
对于选定的机器
Figure BDA0002227840430000051
菜单e,的选择概率如下式所示:
Figure BDA0002227840430000052
其中,
Figure BDA0002227840430000053
Figure BDA0002227840430000054
为被选择机器
Figure BDA0002227840430000055
待加工操作的所有菜单集合,τl,l′为菜单el优先于菜单el′的信息素浓度,ηl为启发式信息,采用在当前机器待加工且具有菜单el的操作的DRLB平均值作为启发式信息ηl,α为信息素因子,β为启发式因子;
2)确定操作状态转移概率
对于选定的机器
Figure BDA0002227840430000056
和选定的菜单
Figure BDA0002227840430000057
操作Oij的选择概率如下式所示:
Figure BDA0002227840430000058
其中,
Figure BDA0002227840430000059
Figure BDA00022278404300000510
为被选择机器
Figure BDA00022278404300000511
上选择加工操作具有的菜单,
Figure BDA00022278404300000512
为操作Oij优先于操作Omn的信息素浓度,ηij为操作Oij启发式信息,用来引导蚁群算法路径的生成,采用DRLB给出的调度优先级指标作为操作Oij启发式信息ηij,α和β分别为信息素因子和启发式因子;
步骤(2):确定双信息素的蚁群算法中的操作选择策略
步骤(2.1):若被选机器
Figure BDA00022278404300000513
为串行加工机器,按如下方法确定操作选择策略,否则,转到步骤(2.2)
·菜单选择:从
Figure BDA00022278404300000514
待加工操作具有的菜单集
Figure BDA00022278404300000515
中,根据式(17)给出的菜单选择概率,按照轮盘赌的方式选出加工菜单
Figure BDA00022278404300000516
·操作选择:从具有菜单
Figure BDA00022278404300000517
的操作中,根据式(18)给出的操作选择概率,按照轮盘赌的方式选出在机器
Figure BDA00022278404300000518
上加工的操作;
步骤(2.2):若被选机器
Figure BDA0002227840430000061
为组批加工机器
Figure BDA0002227840430000062
选出操作数大于或等于机器
Figure BDA0002227840430000063
组批能力的菜单组成菜单集
Figure BDA0002227840430000064
其中,nl
Figure BDA0002227840430000065
等待加工且具有菜单el的操作总数,
Figure BDA0002227840430000066
Figure BDA0002227840430000067
的组批能力,即能同时加工属于菜单el的最大操作总数,若
Figure BDA0002227840430000068
执行步骤(2.2.1),否则,执行步骤(2.2.2)
步骤(2.2.1):
·菜单选择:根据式(17)给出的菜单选择概率,按照轮盘赌的方式从
Figure BDA0002227840430000069
中选出加工菜单
Figure BDA00022278404300000610
·操作选择:从具有菜单
Figure BDA00022278404300000611
的待加工操作中,根据式(18)给出的操作选择概率,按照轮盘赌的方式顺序选出
Figure BDA00022278404300000612
个操作组成一批在机器
Figure BDA00022278404300000613
上加工;
步骤(2.2.2):
Figure BDA00022278404300000614
中选出操作数大于最小组批规模的菜单组成菜单集
Figure BDA00022278404300000615
Figure BDA00022278404300000616
Figure BDA00022278404300000617
的最小组批规模,即能同时加工属于菜单el的最小操作总数。根据式(17)给出的菜单选择概率,按照轮盘赌的方式从
Figure BDA00022278404300000618
中选出加工菜单
Figure BDA00022278404300000619
并选择具有菜单
Figure BDA00022278404300000620
的所有待加工操作组成一批在机器
Figure BDA00022278404300000621
E加工,若
Figure BDA00022278404300000622
Figure BDA00022278404300000623
空闲等待;
步骤(3):信息素更新及初始化
在蚁群算法每次迭代完成后,需要对信息素τl,l′
Figure BDA00022278404300000624
进行更新,设Sls和Sgs分别为每次迭代的最优解和迄今为止的全局最优解,每次迭代后,若Sls优于Sgs,则全局最优解Sgs被Sls替换,信息素τl,l′
Figure BDA00022278404300000625
分别采用式(19)和(20)更新
τl,l′=(1-ρ)τl,l′+ρΔτb (19)
Figure BDA00022278404300000626
其中,Δτb=1/fbest,fbest为全局最优解Sgs或当前迭代最优解Sls对应的目标函数值,在算法初始迭代阶段采用当前迭代最优解Sls对应的目标函数值跟新信息素,以加强算法的局部搜索能力,而在后续迭代阶段,通过判断全局最优解Sgs是否连续若干代未被改进,决定是否采用全局最优解Sgs代替当前迭代最优解Sls对信息素进行更新,以加强算法的全局搜索能力,使算法能从局部最优跳跃出来;对于菜单信息素τl,l′,每一个子问题开始求解时,直接继承上一阶段子问题的求解结束时的菜单信息素,以加速算法的收敛;而对于操作信息素
Figure BDA00022278404300000627
在每个子问题求解前均需要重新初始化。
根据上述一种基于操作完工时间快速预测的集成电路生产线调度方法,本发明做了大量的仿真实验,从仿真结果可看出,本发明所提方法可有效改善以最小化平均流经时间为调度目标的集成电路生产线调度问题的调度指标。
附图说明
图1:集成电路生产线调度中应用本发明的软硬件架构示意图。
图2:基于操作完工时间快速预测的集成电路生产线调度方法流程示意图。
具体实施方式
本发明提出的调度方法依赖于相关数据采集系统,由集成电路生产线调度系统客户端和调度服务器实现。在实际集成电路生产线调度中应用本发明的软硬件架构示意图如图1所示,本发明的实施方式如下:
步骤(1):获取集成电路生产线调度问题对应的数据
包括Lot数量及释放时间、各Lot中操作数量及工艺菜单和加工时间、可用设备数量及各设备的释放时间、各设备可加工的工艺菜单等,并存储至调度数据库中。
步骤(2):建立以最小化平均流经时间为调度目标的集成电路生产线调度问题:采用“发明内容”第一节的方法,构建待求解的集成电路生产线调度问题实例。
步骤(3):集成电路生产线调度问题迭代分解及子调度问题求解
步骤(3.1):操作完工时间快速预测:采用“发明内容”第二节的方法,对未确定调度开始时间的待调度的操作的完工时间进行预测。
步骤(3.2):子调度问题构造:采用“发明内容”第三节步骤(1)的方法构造子调度问题。
步骤(3.3):子调度问题求解:采用“发明内容”第四节的方法对子调度问题进行求解,蚁群算法的参数设定为:最大迭代次数设置为100;最大重新启动次数为10;触发重新启动的T_min为3;蚁群规模为50;信息素因子和启发式因子α和β分别设为2和3,遗忘因子ρ设置为0.1。
步骤(3.3):子问题调整:采用“发明内容”第三节步骤(2)的方法,根据步骤(3.3)确定的子调度问题解(各操作的开始加工时间),对子调度问题进行调整。
步骤(3.4):判断所有操作的开始建工时间是否均确定了,若是,则结束;否则,返回步骤(3.1).
根据上述所提出的基于操作完工时间快速预测的集成电路生产线调度方法,本发明做了大量的仿真试验,运行的硬件环境为:P4 4GHz CPU,2048M RAM,操作系统为Windows10。由于篇幅所限,仅列出部分实验结果。首先,基于实际集成电路制造企业的实际生产数据形成不同规模的调度问题实例进行数值计算。实际数据中包含70个菜单和117台机器,其中77台机器为组批加工机器,其余的为串行加工机器。组批机器中,最大和最小的组批能力分别为8和2。根据上述实际数据,随机生成了5类集成电路生产线调度问题实例,分别包含500、1000、2000、3000和5000个Lot,每类包含10个问题实例,分别命名为I1_1、…、I1_10、I2_1、…、I2_10、…、I5_1、…、I5_10。所提出基于预测分解的蚁群算法(简称DM-IFP)的主要参数设置如下:子问题包含操作数N_s为100;搭接操作集R_k规模N_r为10;ACO-D最大迭代次数设置为100;ACO-D最大重新启动次数为10;触发重新启动的T_min为3;蚁群规模为50;ACO-D中信息素因子和启发式因子α和β分别设为2和3,遗忘因子ρ设置为0.1。
表1和表2分别列出了本发明所提出的调度方法(DM-IFP)与文献中的典型集成电路生产线调度算法在随机产生的具有3000个Lot和5000个Lot的调度问题实例上的应用对比。对比方法包括:
1)ACO(Guo C T,Jiang Z B,Zhang H,et al.Decomposition-based classifiedant colony optimization algorithm for scheduling semiconductor waferfabrication system.Computers&Industrial Engineering,2012,62(1):141-151)
2)GA(Noroozi A,Mokhtari H,Kamal Abadi I N.Research on computationalintelligence algorithms with adaptive learning approach for schedulingproblems with batch processing machines[J].Neurocomputing,2013,101:190-203)
3)SA(Chou F,Wang H,Chang P.A simulated annealing approach withprobability matrix for semiconductor dynamic scheduling problem[J].ExpertSystems with Applications,2008,35(4):1889-1898)
表1具有3000个Lot的调度问题实例
Figure BDA0002227840430000081
表2具有5000个Lot的调度问题实例
Figure BDA0002227840430000082

Claims (1)

1.基于操作完工时间快速预测的集成电路生产线调度方法,其特征在于,该方法针对以最小化平均流经时间为调度目标的集成电路生产线调度问题,首先通过松弛不可中断约束,提出一种基于机器负载的操作完工时间快速预测(CTP-ML)方法对操作完工时间进行预测,之后,根据各个操作的完工时间预测值,将集成电路生产线调度问题迭代分解为多个连续交迭的子调度问题,在每次迭代中,采用一种基于双信息素的蚁群算法(ACO-D)求解当前迭代阶段的子调度问题,并固定该子调度问题解的开始加工时间,将其余操作滚动到下一迭代子调度问题中;所述方法在计算机上依次按如下步骤实现:
步骤(1):获取集成电路生产线相关数据
基于集成电路生产线上的数据采集系统,获取集成电路生产线调度问题相关的数据,具体包括Lot数量及释放时间、各Lot中操作数量及工艺菜单和加工时间、可用设备数量及各设备的释放时间、各设备可加工的工艺菜单,并存储至调度数据库中;所述Lot指加工晶圆批次;
步骤(2):根据调度数据库中的相关信息,建立以最小化平均流经时间为调度目标的集成电路生产线调度问题实例;
步骤(3):集成电路生产线调度问题迭代分解及子调度问题求解
步骤(3.1):松弛集成电路生产线调度问题中的不可中断约束,采用基于机器负载的操作完工时间的快速预测(CTP-ML)方法,以获取未确定加工开始时间操作的近似完工时间;
步骤(3.2):子调度问题构造,采用滚动时域方法,通过限定子问题包含的操作数,对调度问题进行顺序迭代搭接式分解,每一迭代过程固定部分操作的加工开始时间,部分操作滚动到下一子问题参与资源竞争;根据Lot的工艺路径、时间窗口及操作完工时间预测值,从未调度操作中选取当前可加工及部分将来可加工的操作构成子问题;
步骤(3.3):子调度问题求解,采用一种基于双信息素的蚁群算法(ACO-D)对子调度问题进行求解,蚁群算法的参数设定为:最大迭代次数设置为100;最大重新启动次数为10;触发重新启动的T_min为3;蚁群规模为50;信息素因子和启发式因子α和β分别设为2和3,遗忘因子ρ设置为0.1;
步骤(3.4):子调度问题调整,采用子调度问题搭接的方式处理两个连续子调度问题间关系,在本阶段的子调度问题中选取部分操作作为搭接操作移入下一阶段子调度问题中。
CN201910957566.6A 2019-10-10 2019-10-10 基于操作完工时间快速预测的集成电路生产线调度方法 Active CN110673560B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910957566.6A CN110673560B (zh) 2019-10-10 2019-10-10 基于操作完工时间快速预测的集成电路生产线调度方法
PCT/CN2019/111449 WO2021068274A1 (zh) 2019-10-10 2019-10-16 基于操作完工时间快速预测的集成电路生产线调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910957566.6A CN110673560B (zh) 2019-10-10 2019-10-10 基于操作完工时间快速预测的集成电路生产线调度方法

Publications (2)

Publication Number Publication Date
CN110673560A CN110673560A (zh) 2020-01-10
CN110673560B true CN110673560B (zh) 2021-02-05

Family

ID=69081276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910957566.6A Active CN110673560B (zh) 2019-10-10 2019-10-10 基于操作完工时间快速预测的集成电路生产线调度方法

Country Status (2)

Country Link
CN (1) CN110673560B (zh)
WO (1) WO2021068274A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093724B (zh) * 2021-02-24 2022-09-06 上海工程技术大学 一种基于改进蚁群算法的agv路径规划方法
CN113341896B (zh) * 2021-06-07 2022-08-05 电子科技大学 面向离散制造的动态集成车间调度与装配序列规划方法
CN115186495B (zh) * 2022-07-18 2023-05-02 广东工业大学 一种基于关键工序增强优化的流水线快速优化方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101788819B (zh) * 2010-03-08 2011-09-14 清华大学 大规模生产过程一种基于迭代式分解和流松弛的调度方法
CN103116324B (zh) * 2012-12-17 2014-06-04 清华大学 基于指标预测和在线学习的微电子生产线调度方法
CN103246969B (zh) * 2013-05-07 2016-05-18 北京邮电大学 一种物流调配的实现方法和装置
CN104460590B (zh) * 2014-10-23 2017-02-15 北京化工大学 一种半导体生产线多产品工件合并方法
US20170185928A1 (en) * 2015-12-28 2017-06-29 Sap Se Data analysis for scheduling optimization with multiple time constraints
CN105741181A (zh) * 2016-02-03 2016-07-06 四川索牌科技股份有限公司 一种不同并行机混合流水线车间调度方法
CN110086855B (zh) * 2019-03-29 2021-11-05 江苏开拓信息与系统有限公司 基于蚁群算法的Spark任务智能感知调度方法

Also Published As

Publication number Publication date
WO2021068274A1 (zh) 2021-04-15
CN110673560A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN110673560B (zh) 基于操作完工时间快速预测的集成电路生产线调度方法
Wang et al. A bi-population based estimation of distribution algorithm for the flexible job-shop scheduling problem
Zhang et al. A multi-objective artificial bee colony algorithm for parallel batch-processing machine scheduling in fabric dyeing processes
Wang et al. An enhanced Pareto-based artificial bee colony algorithm for the multi-objective flexible job-shop scheduling
Jakobović et al. Evolving priority scheduling heuristics with genetic programming
Zhou et al. Hyper-heuristic coevolution of machine assignment and job sequencing rules for multi-objective dynamic flexible job shop scheduling
Guo et al. Decomposition-based classified ant colony optimization algorithm for scheduling semiconductor wafer fabrication system
US8527080B2 (en) Method and system for managing process jobs in a semiconductor fabrication facility
US20030171829A1 (en) System and method for complex process optimization and control
CN110533301A (zh) 一种基于动态约束矩阵的粒子群调度方法
Wang et al. A knowledge-based multi-agent evolutionary algorithm for semiconductor final testing scheduling problem
CN109857083A (zh) 一种基于Petri网的含有不可观事件的无死锁控制方法
Tan et al. Two-agent scheduling on a single batch processing machine with non-identical job sizes
Wu et al. Multi-objective discrete brainstorming optimizer for stochastic disassembly line balancing problem subject to disassembly failure
CN111596622B (zh) Ecm规则分布估计算法的柔性作业车间调度方法
Yuan et al. A multi-agent double Deep-Q-network based on state machine and event stream for flexible job shop scheduling problem
CN110850819A (zh) 单臂组合设备调度方法、系统、移动终端及存储介质
Ma et al. A hybrid discrete differential evolution algorithm for dynamic scheduling in robotic cells
WO2023059740A1 (en) Time constraint management at a manufacturing system
Wang et al. An estimation of distribution algorithm for the flexible job-shop scheduling problem
Li et al. Research on dynamic multi-objective fjsp based on genetic algorithm
Hung et al. Sensitivity search for the rescheduling of semiconductor photolithography operations
Wei et al. Composite rules selection using reinforcement learning for dynamic job-shop scheduling
Suerich et al. Machine Learning for Optimized Scheduling in Complex Semiconductor Equipment
Xu et al. An effective shuffled frog-leaping algorithm for the flexible job-shop scheduling problem

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant