[发明专利]基于论域动态划分和学习的模糊调度规则挖掘方法

摘要

基于论域动态划分和学习的模糊调度规则挖掘方法，属于先进制造、自动化和信息领域，其特征在于，针对具有组批特征的微电子生产线调度问题的特点，提出一种属性论域的动态模糊划分方法，基于此，给出一种新的模糊调度规则形式及基于Aprior算法的模糊调度规则智能挖掘方法。在每条模糊调度规则中，每个条件属性具有两个语言变量，输出为一个分类标签，用于表示待加工两个操作的调度优先级。两个语言变量对应的属性分别采用简单模糊划分动态模糊划分进行论域划分。并设计了一种和声搜索算法对上述关键参数进行优化学习。将本发明应用于以最小化平均流经时间为调度目标的微电子生产线调度问题可产生较好的调度效果。

主权项

基于论域动态划分和学习的模糊调度规则挖掘方法，其特征在于，该方法是针对一类以最小化平均流经时间为调度目标具有组批特征的微电子生产线的一种调度方法，且所述方法是在计算机上依次按如下步骤实现的：步骤(1)：初始化，设定如下基本变量设定问题变量和算法参数：d：用于描述每个操作的属性个数aj：第j个属性，j＝1，2，…，dN：用于模糊调度规则，即dFACRs学习的训练样本规模tsj：第j个训练样本，j＝1，2，…，N属性aj对应的频繁2维模糊网格集合FFG：所有频繁模糊网格组成的集合，即所有2维、3维、直到d维频繁的模糊网格R：模糊调度规则R′：规则R的逆规则规则R的分类标签CF(R)：规则R的确定度min FS：模糊规则的最小支撑度Γi：模糊调度规则集ACC(Γi)：Γi对训练样本的分类精确度HMS：和声库规模HMCR：和声库考虑概率PAR：微调扰动概率Rand：服从于0‑1正态分布的随机数和声库中第i个和声的第j个和声向量，i＝1，2，…，HMS，j＝1，2，…，d+1与第i个和声对应的第j个属性采用简单模糊划分进行模糊划分的模糊数，i＝1，2，…，HMS，j＝1，2，…，d+1wa和wc：加权系数Tmax：算法最大迭代次数Tmin：和声库中最好和声连续未改进的最大迭代次数步骤(2)：采集包括上述工序数、品种数、各Lot的工艺路径和所包含的Lot数、机器数、各操作在各机器上的加工菜单及加工时间、各机器上菜单间切换的Setup时间、各菜单在各机器上的最大组批等在内的调度相关信息并存储至调度数据库中，并形成待求解的微电子生产线调度问题实例；步骤(3)：生成训练样本分别采用最短剩余加工时间优先SRPT、最长剩余加工时间优先LRPT、最先进入队列的优先FIFO，最短加工时间优先SPT、最长加工时间优先LPT及随机规则RANDOM生成初始调度，然后随机选择任意一台机器上相邻被加工的两个操作，交换其调度优先级，从而生成一个新的调度；根据上述两个调度中对应相对较小平均流经时间的调度，由被交换调度优先级两个操作的属性生成一个训练样本，重复上面流程直到获得N个训练样本；设是上述具有较高调度优先级操作的d个属性值，d＝5，为操作的加工时间；为当前时刻空闲机器中除了被选择机器外与其上上一个加工操作具有相同加工菜单的机器总数；当操作在被选择机器上加工需要Setup时间时为1，否则为0；为当前操作后续操作的加工机器的平均负载，即所有在被选择机器前等待加工操作的加工时间总和；是另一个操作的d个相应属性值，那么，所生成的训练样本为基于此，生成训练样本在上述训练样本中，每个属性有两个取值，分别对应两个不同的操作；对上述生成的训练样本进行如下归一化处理：步骤(4)：初始化初始化包含HMS个和声向量的和声库，每一个和声向量由d+1个属于[0，1]的随机数表示的和声变量组成，即步骤(5)：计算每个和声Xi(i＝1，2，…，HMS)对应的目标函数值步骤(5.1)：转换Xi为其中，为第j个属性采用简单模糊划分进行模糊划分的模糊数，j＝1，2，…，d其中，Round(·)为四舍五入运算符；步骤(5.2)：在所提模糊调度规则中，每个条件属性取值为由两个模糊集组成的2维模糊网格，分别对应两个不同的操作，其对应的属性论域分别采用简单模糊划分方法和动态模糊划分方法进行划分；对其中第一个操作第j个属性aj的属性论域采用简单模糊划分方法划分为个模糊数和j＝1，2，…，d；步骤(5.3)：基于与第一个操作对应属性的取值，对第二个操作第j个属性aj的属性论域，采用动态模糊划分方法划分为三个模糊数，j＝1，2，…，d，若第一个操作对应属性的取值，则第二个操作属性aj的属性论域划分和其中和分别为左半和右半梯形模糊数；基于上述属性论域的动态模糊划分方法，所提出的模糊调度规则具有如下形式：……步骤(5.4)：发现所有频繁的2维模糊网格j＝1，2，…，d，其中，ni是对应第i个属性的频繁模糊网格总数；对任意2k维模糊网格其模糊支撑度可通过下式计算若FS(fg)≥minFS，则2k维模糊网格fg是频繁的；步骤(5.5)：设|FFG|是包含在FFG频繁模糊网格的总数；步骤(5.6)：按下述流程发现所有频繁的2k维模糊网格FFG，k＝1，2，…，dfor k＝1to d dofor j＝1to|FFG|do构造模糊网格其中ffgj是当前FFG中的第j个频繁的模糊网格其中是模糊网格的所有子模糊集构成的子模糊网格endifendforendforFFG＝FFG∪FFGa.endforFFG＝FFG‑FFGd. 步骤(5.7)：根据FFG生成形如步骤(5.3)给出的模糊调度规则根据FFG中的每个频繁模糊网格，生成对应的规则前件，并增加分类标签1作为规则后件；同时，将对应频繁模糊网格的支撑度作为相应规则R的确定度CF(R)；步骤(5.8)：对所生成的每条规则R，构造其逆规则R′……其中，为另一个分类标签0；步骤(5.9)：基于训练样本集(j＝1，2，…，N)计算所生成模糊调度规则dFACRs集Γi，即和声Xi对应的目标函数值，i＝1，2，…，HMS，其中，Γi由上述所有的R和R′组成f(Xi)＝‑waACC(Γi)+wc|Ri| 其中，ACC(Γi)是Γi对训练样本的分类精确度，|Γi|是包含在Γi中模糊调度规则的总数，wa和wc是加权系数步骤(6)：和声改进通过如下和声改进流程生成新的和声for j＝1to d+1doifRand≤HMCR其中，a是区间[1，HMS]内的随机整数ifRand≤PAR其中，当前和声库最好和声对应的和声变量endifelseendifendfor步骤(7)：和声更新若f(Xnew)≤f(Xworst)，则令Xworst＝Xnew，其中，Xworst是当前和声库中的最差和声步骤(8)：和声库重新初始化若连续Tmin次迭代最好和声都没得到改进，则随机生成HMS/2个新和声替换掉和声库中较差的HMS/2个和声步骤(9)：终止条件判断若迭代次数达到最大迭代次数Tmax，则算法终止，否则返回步骤(5)。