專(zhuān)利名稱(chēng)：基于序優(yōu)化與在線(xiàn)核極限學(xué)習(xí)機(jī)的分層迭代優(yōu)化調(diào)度方法
技術(shù)領(lǐng)域：
本發(fā)明屬于自動(dòng)控制、信息技術(shù)和先進(jìn)制造領(lǐng)域。具體涉及在決策變量存在耦合、決策變量多、規(guī)模大的環(huán)境下，提高優(yōu)化速度和性能的方法。
背景技術(shù)：
軟計(jì)算在優(yōu)化調(diào)度過(guò)程中取得了廣泛應(yīng)用，但在解空間規(guī)模龐大時(shí)，易于出現(xiàn)算法早熟、收斂速度慢等現(xiàn)象，整個(gè)求解過(guò)程效率較低。雖然高效的進(jìn)化計(jì)算方法被不斷提出，如量子進(jìn)化計(jì)算、差分進(jìn)化計(jì)算等高效的進(jìn)化算法被不斷提出，在提高算法效率方面取得了一定的改善，但當(dāng)面對(duì)大規(guī)模問(wèn)題時(shí)，求解效率仍很難令人滿(mǎn)意。半導(dǎo)體生產(chǎn)過(guò)程十分復(fù)雜，規(guī)模龐大，特別在組批加工過(guò)程中，相比普通的加工過(guò)程，還存在組批、Batch排序等過(guò)程，同時(shí)組批決策和操作排序決策之間存在較強(qiáng)的耦合作用，即組批決策結(jié)果受操作排序結(jié)果的影響，因此，如何通過(guò)挖掘問(wèn)題自身的特征，提高算法的求解效率，是優(yōu)化帶有批處理過(guò)程的調(diào)度問(wèn)題的難點(diǎn)。本發(fā)明提出一種基于序優(yōu)化與在線(xiàn)核極限學(xué)習(xí)機(jī)的分層迭代優(yōu)化調(diào)度方法，與其他算法相比，本發(fā)明具有較優(yōu)的調(diào)度性能和求解效率。

發(fā)明內(nèi)容
為了解決復(fù)雜生產(chǎn)制造過(guò)程中優(yōu)化算法存在的求解效率低下的不足，本發(fā)明針對(duì)半導(dǎo)體生產(chǎn)過(guò)程中的擴(kuò)散區(qū)組批調(diào)度過(guò)程中決策變量多，批調(diào)度策略與操作排序策略之間存在強(qiáng)耦合，調(diào)度問(wèn)題規(guī)模大等特點(diǎn)，在調(diào)度算法中采用了分層調(diào)度結(jié)構(gòu)，對(duì)菜單層批調(diào)度策略和操作層排序策略進(jìn)行迭代優(yōu)化，為提高算法運(yùn)算效率，采用序優(yōu)化方法快速優(yōu)化菜單層批調(diào)度策略，并通過(guò)菜單層和操作層之間的迭代優(yōu)化，有效提高了調(diào)度算法的求解速度和優(yōu)化性能。基于序優(yōu)化與在線(xiàn)核極限學(xué)習(xí)機(jī)的分層迭代優(yōu)化調(diào)度方法，其特征在于，所述方法是在計(jì)算機(jī)上依次按以下步驟實(shí)現(xiàn)的:步驟1:初始化調(diào)度算法相關(guān)參數(shù)采集調(diào)度所需的相關(guān)初始化信息，包括每個(gè)lot的片數(shù)、品種、工藝流程信息，每個(gè)操作的菜單、可加工機(jī)器名稱(chēng)、所屬的加工機(jī)器組名稱(chēng)信息，每個(gè)機(jī)器的釋放時(shí)間、所屬的機(jī)器組、對(duì)每種菜單的加工時(shí)間信息，這些信息寫(xiě)入算法數(shù)據(jù)庫(kù)中，在調(diào)度算法啟動(dòng)時(shí)，作為初始化信息加載到算法中；確定差分進(jìn)化優(yōu)化算法相關(guān)參數(shù):選定種群規(guī)模N = 20，差分縮放因子F = 0.3，最大進(jìn)化代數(shù)Gmax = 5，雜交率CR = 0.8，變異比率λ = 0.3 ;迭代次數(shù)設(shè)為2次；步驟2:差分進(jìn)化算法初始解生成；優(yōu)化過(guò)程中，對(duì)于菜單層主要采用菜單多屬性權(quán)值優(yōu)化，優(yōu)化的菜單屬性主要包括該菜單中所含的操作平均剩余加工時(shí)間、平均到達(dá)時(shí)間、平均后續(xù)操作數(shù)量、平均緊急程度優(yōu)化四個(gè)屬性；對(duì)于操作層主要優(yōu)化操作的優(yōu)先權(quán)序列，于是，對(duì)于每個(gè)機(jī)器組而言，采用的編碼方式為
權(quán)利要求
1.基于序優(yōu)化與在線(xiàn)核極限學(xué)習(xí)機(jī)的分層迭代優(yōu)化調(diào)度方法，其特征在于，所述方法是在計(jì)算機(jī)上依次按以下步驟實(shí)現(xiàn)的:步驟1:初始化調(diào)度算法相關(guān)參數(shù) 采集調(diào)度所需的相關(guān)初始化信息，包括每個(gè)lot的片數(shù)、品種、工藝流程信息，每個(gè)操作的菜單、可加工機(jī)器名稱(chēng)、所屬的加工機(jī)器組名稱(chēng)信息，每個(gè)機(jī)器的釋放時(shí)間、所屬的機(jī)器組、對(duì)每種菜單的加工時(shí)間信息，這些信息寫(xiě)入算法數(shù)據(jù)庫(kù)中，在調(diào)度算法啟動(dòng)時(shí)，作為初始化信息加載到算法中； 確定差分進(jìn)化優(yōu)化算法相關(guān)參數(shù):選定種群規(guī)模N = 20，差分縮放因子F = 0.3，最大進(jìn)化代數(shù)Gmax = 5，雜交率CR = 0.8，變異比率λ = 0.3 ;迭代次數(shù)設(shè)為2次； 步驟2:差分進(jìn)化算法初始解生成； 優(yōu)化過(guò)程中，對(duì)于菜單層主要采用菜單多屬性權(quán)值優(yōu)化，優(yōu)化的菜單屬性主要包括該菜單中所含的操作平均剩余加工時(shí)間、平均到達(dá)時(shí)間、平均后續(xù)操作數(shù)量、平均緊急程度四個(gè)屬性；對(duì)于操作層主要優(yōu)化操作的優(yōu)先權(quán)序列，于是，對(duì)于每個(gè)機(jī)器組而言，采用的編碼方式為K2,.._，<}，i表示該機(jī)器組編號(hào)i = 1,2,…，g，g為機(jī)器組的數(shù)量A表示機(jī)器組i可加工菜單的最大數(shù)量；{Wy，Wi,2，Wi,3，Wi,4}為四個(gè)調(diào)度屬性的權(quán)值，權(quán)值初始化時(shí)在
范圍內(nèi)隨機(jī)取值= {oK，2，…，，j = I，2，…，，表示第j個(gè)菜單對(duì)應(yīng)所有操作生成的優(yōu)先權(quán)序列,其中(Ii表示菜單j所包含的操作的總數(shù)量表示機(jī)器組i的菜單j中的第k個(gè)操作，k = 1，2，…，dj ;操作優(yōu)先權(quán)序列采用隨機(jī)方式產(chǎn)生；所有機(jī)器組的Α，...0且合，構(gòu)成一條初始解個(gè)體； 步驟3:采用差分進(jìn)化算法獲得第一次迭代前較優(yōu)解 步驟3.1:解碼 對(duì)步驟2中生成的初始解，通過(guò)離散事件仿真的方式獲得對(duì)每個(gè)調(diào)度解個(gè)體的適應(yīng)度評(píng)價(jià)； 仿真過(guò)程中，主要包含菜單選擇和菜單內(nèi)操作選擇兩種決策過(guò)程: 當(dāng)機(jī)器空閑時(shí)，首先對(duì)緩沖區(qū)內(nèi)所有的操作按照菜單進(jìn)行分組，計(jì)算每種菜單內(nèi)所有操作的平均剩余加工時(shí)間、平均到達(dá)時(shí)間、平均后續(xù)操作數(shù)量、平均緊急程度四個(gè)屬性，根據(jù)編碼過(guò)程中給定的調(diào)度屬性加權(quán)矢量Iwu，Wi,2，Wi,3, Wi,J計(jì)算菜單的優(yōu)先權(quán)值，選取權(quán)值高的菜單進(jìn)行加工； 菜單選定后，對(duì)菜單內(nèi)每個(gè)操作按照解個(gè)體中給定的操作優(yōu)先權(quán)從高到低的方式進(jìn)行選擇，直至選出的操作總片數(shù)最接近機(jī)器加工片數(shù)的最大值；此時(shí)，被選中的所有操作組成一個(gè)batch,將該batch中的所有操作都同時(shí)上機(jī)進(jìn)行加工； 加工完成后，仿真推進(jìn)至下一次菜單選擇和菜單內(nèi)操作選擇過(guò)程，直至所有操作都加工完成，仿真結(jié)束； 步驟3.2:變異交叉過(guò)程 差分進(jìn)化算法變異交叉過(guò)程描述如下: 步驟3.2.1:隨機(jī)選擇三個(gè)個(gè)體，4，χ{; 步驟3.2.2:操作層操作優(yōu)先權(quán)序列變異方法: I)選擇需變異的操作優(yōu)先權(quán)子序列 假定機(jī)器組M1對(duì)應(yīng)操作的數(shù)量為D1, 需進(jìn)行變異的操作數(shù)量為込=UA」，L」表示向下取整；隨機(jī)生成一整數(shù)r4，O彡r4彡D1-Da，從^中機(jī)器組M1對(duì)應(yīng)的操作優(yōu)先權(quán)序列中，從位置r4選取長(zhǎng)度為Da的操作子序列，記為坨，該子序列對(duì)應(yīng)的位置矢量記為^^，這里位置矢量指的是從O開(kāi)始標(biāo)記的位置編號(hào)，則:
全文摘要
基于序優(yōu)化與在線(xiàn)核極限學(xué)習(xí)機(jī)的分層迭代優(yōu)化調(diào)度方法，屬于自動(dòng)控制、信息技術(shù)和先進(jìn)制造領(lǐng)域，具體涉及菜單層批調(diào)度策略?xún)?yōu)化、操作層操作排序優(yōu)化和基于核極限學(xué)習(xí)機(jī)在線(xiàn)學(xué)習(xí)的目標(biāo)函數(shù)評(píng)價(jià)等方法。其特征在于，針對(duì)微電子生產(chǎn)過(guò)程中的擴(kuò)散區(qū)組批調(diào)度過(guò)程中決策變量多，批調(diào)度策略與操作排序策略之間存在較強(qiáng)耦合等特點(diǎn)，在調(diào)度算法中采用了分層調(diào)度結(jié)構(gòu)，對(duì)菜單層批調(diào)度策略和操作層排序策略進(jìn)行迭代優(yōu)化，為提高算法運(yùn)算效率，采用序優(yōu)化方法快速優(yōu)化菜單層批調(diào)度策略，并通過(guò)菜單層和操作層之間的迭代優(yōu)化，進(jìn)一步提高調(diào)度算法性能。本發(fā)明所提出的基于序優(yōu)化與在線(xiàn)核極限學(xué)習(xí)機(jī)的分層迭代優(yōu)化調(diào)度方法具有較好的求解速度和優(yōu)化性能。
文檔編號(hào)G05B13/02GK103105775SQ20121054378
公開(kāi)日2013年5月15日 申請(qǐng)日期2012年12月17日 優(yōu)先權(quán)日2012年12月17日
發(fā)明者劉民, 郝井華, 郭路, 吳澄, 王凌, 張亞斌, 劉濤 申請(qǐng)人:清華大學(xué)