[发明专利]一种基于遗传算法的良率提升适用模型的优化方法

说明书

本发明提供一种基于遗传算法的良率提升适用模型的优化方法，通过优化算法的欺骗问题，优化模型各参数，优化适应度函数，以及模型的完善，通过优化已建立的遗传算法模型，将产品过货模拟生物进化形式，一方面寻找产品过货的黄金路线，同时预测产品基于已有机况的CP/Bin上限值，为线上机台管控及优化提供参考，提高产品质量；另一方面可突出表现差的机台，预测该产品基于当前机况下的CP/Bin的恶化下限值，为线上机台管控及调整提供参考，保证产品质量稳定，节约了人力成本，同时解决问题更快更准确。

技术领域

本发明涉及工业大数据领域，特别是涉及一种基于遗传算法的良率提升适用模型的优化方法。

背景技术

遗传算法(GA)是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术。它模拟达尔文的自然进化论与蒙代尔的遗传变异理论，具有坚实的生物学基础；它提供从智能生成过程观点对生物智能的模拟，具有鲜明的认知学意义；它适合于无表达或有表达的任何类函数，具有可实现的并行计算行为；它能解决任何类实际问题，具有广泛的应用价值。遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的尸体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，他决定了个体的形状的外部表现，如黑头发的特征是有染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，一般会进行简化，如二进制编码。初代种群产生之后，按照适者生存的优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小挑选个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解(参考文献：王小平著《遗传算法理论、应用与软件实现》；张文修梁怡著《遗传算法的数学基础》)。

对于成熟的半导体工艺制程，产品质量(CP/FT)主要取决于工艺机台的性能表现以及其过货路径。通常评估机台好坏的方法是分析上述某一类型的数据，通过共通性(commonality)以及工程师的经验来判定机台表现的好坏差异。例如：过货某一机台的lot的CP相对其他机台明显偏低，则认为该机台性能表现较差，对该机台进行突出(highlight)，调配工程师进行应对事件/问题(case)，从而使产品质量稳定，并不能得出一个黄金路线(golden path)，且上述所有评估以及处理动作都是基于工程师具备一定处理问题的能力，存在一定的主观性以及片面性。同时，对于一个产品而言，工程师所做的是通过各种方法提高良率，但截止目前并没有任何方法可以预估其良率上限是多少，且寻找问题机台是由工程师一系列的数据分析以及综合经验判断得出，耗时长，且对处理问题的工程师有很高的要求，时间和人力成本投入大，当问题复杂时，效率明显下降厉害。

因此，需要提出一种新的方法来解决上述问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于遗传算法的良率提升适用模型的优化方法，用于解决现有技术中产品质量不稳定、投入人力成本大的问题。

为实现上述目的及其他相关目的，本发明提供一种基于遗传算法的良率提升适用模型的优化方法，该方法至少包括以下步骤：步骤一、根据已有的遗传算法模型和产品的CP或WAT特征值，进行适应度函数的尺度变换以优化算法的欺骗问题；步骤二、优化所述遗传算法模型中的交叉算子、变异算子、变异区间、删除算子；步骤三、引入种群均匀尺度进行线性排序以优化所述适应度函数；步骤四、拓展全局搜索功能并进化特征值以完善所述遗传算法模型。

优选地，步骤一中进行的所述适应度函数的尺度变换使得原适应度的平均值等于定标后的适应度的平均值。

优选地，步骤一中进行的所述适应度函数的尺度变换使得变换后的适应度最大值等于原适应度平均值的指定倍数。