[发明专利]基于指标预报和解相似度分析的光刻工序动态调度方法

摘要

基于指标预报和解相似度分析的光刻工序动态调度方法，属于先进制造、自动化和信息领域，其特征在于，针对半导体生产线光刻工序动态调度问题，提出一种动态调度方法。该方法首先将光刻工序动态调度问题分解为设备选择调度子问题和工件排序调度子问题，并在线建立工件排序调度子问题的性能指标预报模型，然后，利用基于解相似度分析的差分进化算法求解原调度问题。在差分进化算法中，上述工件排序调度子问题性能指标预报模型用于对设备选择调度子问题的解进行全局调度性能的快速粗评价。在对调度解的评价过程中，本发明采用精确评价和粗评价相结合的方式进行差分进化算法中解的性能评价；使用该调度方法可显著提升光刻工序生产调度的效率和效果。

主权项

基于指标预报和解相似度分析的光刻工序动态调度方法，其特征在于，该方法是一种采用基于解相似度分析的差分进化算法进行迭代优化的过程中，不断地利用精确评价所获得的工件排序调度子问题实例和调度解性能指标数据，对工件排序调度子问题性能指标预报模型进行在线学习，以提升预报模型的预报精度，进而改善差分进化算法寻优效率和效果的方法；所述方法在计算机上依次按如下步骤实现：步骤(1)：获取半导体生产线光刻区动态调度问题对应的数据；基于半导体生产线上的制造执行系统或其他数据采集系统，获取与光刻区动态调度问题相关的数据，具体包括光刻区可用设备数量、各设备的释放时间、光刻板类型及数量、待加工的各工件的释放时间/加工时间/优先级/可加工设备信息，并存储至调度数据库中，形成待求解的半导体生产线光刻区动态调度问题实例；步骤(2)：光刻区动态调度问题分解针对所获得的光刻区动态调度问题实例，将该实例分解为设备选择调度子问题和工件排序调度子问题；步骤(3)：光刻区动态调度问题求解步骤(3.1)：差分进化算法初始化设定差分进化算法与调度子问题性能指标预报模型的相关参数：差分进化算法中的解集合规模NP，在区间[20，1000]之间；差分进化算法中的缩放因子F，在区间[0.5，1]之间；差分进化算法中的交叉率CR，在区间[0，1]之间；差分进化算法中的精确评价比例p，在区间[10％，30％]之间；差分进化算法中的停止条件：需要根据不同的需要，设定不同的算法运行时间限制，在区间[5秒，2000秒]之间；步骤(3.2)：调度子问题性能指标预报模型初始化调度子问题性能指标预报模型中的区间划分参数I，在区间[4，8]之间；调度子问题性能指标预报模型中的径向基函数的参数：a_i维数为2I+3维，其每一维的取值从[‑1 1]中随机选取，b_i为1维，取值为从$\left[\begin{array}{cc}\frac{1}{100}& \frac{13}{300}\end{array}\right]$随机选取；调度子问题性能指标预报模型中的隐层节点数L，在区间[5，100]之间；调度子问题性能指标预报模型中的惩罚因子v，按经验取2^‑15；在上述参数设置基础上，随机产生设备选择调度子问题的NP个初始解形成初始解集合，然后，随机选择1至NP个解，采用分枝定界算法进行精确评价，获得各个解对应的调度目标函数值；在此基础上，采用极限学习机的在线学习方法，利用所获得的调度子问题及其对应的目标函数值的数据，获得初始的调度子问题性能指标预报模型；步骤(3.3)：差分变异和交叉对解集合中的解，首先计算其距离矩阵，在此基础上进行基于解相似性分析的差分变异操作，最后进行交叉操作；操作完成后，形成新的解集合；步骤(3.4)：基于粗评价与精确评价相结合的评价与选择对解集合中的解，首先采用调度子问题性能指标预报模型进行粗评价，在此基础上，从当前解集合中选择1至NP较好解进行精确评价，然后，采用标准轮盘赌方法进行选择，形成新一代解集合；步骤(3.5)：使用极限学习机的在线学习方法，在线学习更新调度子问题性能指标预报模型参数，形成新的调度子问题性能指标预报模型；步骤(3.6)：算法终止条件判别若算法运行时间已达到设定值，则停止；否则转步骤(3.3)进行迭代优化。