专利名称：基于序优化与在线核极限学习机的分层迭代优化调度方法
技术领域：
本发明属于自动控制、信息技术和先进制造领域。具体涉及在决策变量存在耦合、决策变量多、规模大的环境下，提高优化速度和性能的方法。
背景技术：
软计算在优化调度过程中取得了广泛应用，但在解空间规模庞大时，易于出现算法早熟、收敛速度慢等现象，整个求解过程效率较低。虽然高效的进化计算方法被不断提出，如量子进化计算、差分进化计算等高效的进化算法被不断提出，在提高算法效率方面取得了一定的改善，但当面对大规模问题时，求解效率仍很难令人满意。半导体生产过程十分复杂，规模庞大，特别在组批加工过程中，相比普通的加工过程，还存在组批、Batch排序等过程，同时组批决策和操作排序决策之间存在较强的耦合作用，即组批决策结果受操作排序结果的影响，因此，如何通过挖掘问题自身的特征，提高算法的求解效率，是优化带有批处理过程的调度问题的难点。本发明提出一种基于序优化与在线核极限学习机的分层迭代优化调度方法，与其他算法相比，本发明具有较优的调度性能和求解效率。
发明内容
为了解决复杂生产制造过程中优化算法存在的求解效率低下的不足，本发明针对半导体生产过程中的扩散区组批调度过程中决策变量多，批调度策略与操作排序策略之间存在强耦合，调度问题规模大等特点，在调度算法中采用了分层调度结构，对菜单层批调度策略和操作层排序策略进行迭代优化，为提高算法运算效率，采用序优化方法快速优化菜单层批调度策略，并通过菜单层和操作层之间的迭代优化，有效提高了调度算法的求解速度和优化性能。基于序优化与在线核极限学习机的分层迭代优化调度方法，其特征在于，所述方法是在计算机上依次按以下步骤实现的:步骤1:初始化调度算法相关参数采集调度所需的相关初始化信息，包括每个lot的片数、品种、工艺流程信息，每个操作的菜单、可加工机器名称、所属的加工机器组名称信息，每个机器的释放时间、所属的机器组、对每种菜单的加工时间信息，这些信息写入算法数据库中，在调度算法启动时，作为初始化信息加载到算法中；确定差分进化优化算法相关参数:选定种群规模N = 20，差分缩放因子F = 0.3，最大进化代数Gmax = 5，杂交率CR = 0.8，变异比率λ = 0.3 ;迭代次数设为2次；步骤2:差分进化算法初始解生成；优化过程中，对于菜单层主要采用菜单多属性权值优化，优化的菜单属性主要包括该菜单中所含的操作平均剩余加工时间、平均到达时间、平均后续操作数量、平均紧急程度优化四个属性；对于操作层主要优化操作的优先权序列，于是，对于每个机器组而言，采用的编码方式为
权利要求
1.基于序优化与在线核极限学习机的分层迭代优化调度方法，其特征在于，所述方法是在计算机上依次按以下步骤实现的:步骤1:初始化调度算法相关参数 采集调度所需的相关初始化信息，包括每个lot的片数、品种、工艺流程信息，每个操作的菜单、可加工机器名称、所属的加工机器组名称信息，每个机器的释放时间、所属的机器组、对每种菜单的加工时间信息，这些信息写入算法数据库中，在调度算法启动时，作为初始化信息加载到算法中； 确定差分进化优化算法相关参数:选定种群规模N = 20，差分缩放因子F = 0.3，最大进化代数Gmax = 5，杂交率CR = 0.8，变异比率λ = 0.3 ;迭代次数设为2次； 步骤2:差分进化算法初始解生成； 优化过程中，对于菜单层主要采用菜单多属性权值优化，优化的菜单属性主要包括该菜单中所含的操作平均剩余加工时间、平均到达时间、平均后续操作数量、平均紧急程度四个属性；对于操作层主要优化操作的优先权序列，于是，对于每个机器组而言，采用的编码方式为K2,.._，<}，i表示该机器组编号i = 1,2,…，g，g为机器组的数量A表示机器组i可加工菜单的最大数量；{Wy，Wi,2，Wi,3，Wi,4}为四个调度属性的权值，权值初始化时在
范围内随机取值= {oK，2，…，，j = I，2，…，，表示第j个菜单对应所有操作生成的优先权序列,其中(Ii表示菜单j所包含的操作的总数量表示机器组i的菜单j中的第k个操作，k = 1，2，…，dj ;操作优先权序列采用随机方式产生；所有机器组的Α，...0且合，构成一条初始解个体； 步骤3:采用差分进化算法获得第一次迭代前较优解 步骤3.1:解码 对步骤2中生成的初始解，通过离散事件仿真的方式获得对每个调度解个体的适应度评价； 仿真过程中，主要包含菜单选择和菜单内操作选择两种决策过程: 当机器空闲时，首先对缓冲区内所有的操作按照菜单进行分组，计算每种菜单内所有操作的平均剩余加工时间、平均到达时间、平均后续操作数量、平均紧急程度四个属性，根据编码过程中给定的调度属性加权矢量Iwu，Wi,2，Wi,3, Wi,J计算菜单的优先权值，选取权值高的菜单进行加工； 菜单选定后，对菜单内每个操作按照解个体中给定的操作优先权从高到低的方式进行选择，直至选出的操作总片数最接近机器加工片数的最大值；此时，被选中的所有操作组成一个batch,将该batch中的所有操作都同时上机进行加工； 加工完成后，仿真推进至下一次菜单选择和菜单内操作选择过程，直至所有操作都加工完成，仿真结束； 步骤3.2:变异交叉过程 差分进化算法变异交叉过程描述如下: 步骤3.2.1:随机选择三个个体，4，χ{; 步骤3.2.2:操作层操作优先权序列变异方法: I)选择需变异的操作优先权子序列 假定机器组M1对应操作的数量为D1, 需进行变异的操作数量为込=UA」，L」表示向下取整；随机生成一整数r4，O彡r4彡D1-Da，从^中机器组M1对应的操作优先权序列中，从位置r4选取长度为Da的操作子序列，记为坨，该子序列对应的位置矢量记为^^，这里位置矢量指的是从O开始标记的位置编号，则:
全文摘要
基于序优化与在线核极限学习机的分层迭代优化调度方法，属于自动控制、信息技术和先进制造领域，具体涉及菜单层批调度策略优化、操作层操作排序优化和基于核极限学习机在线学习的目标函数评价等方法。其特征在于，针对微电子生产过程中的扩散区组批调度过程中决策变量多，批调度策略与操作排序策略之间存在较强耦合等特点，在调度算法中采用了分层调度结构，对菜单层批调度策略和操作层排序策略进行迭代优化，为提高算法运算效率，采用序优化方法快速优化菜单层批调度策略，并通过菜单层和操作层之间的迭代优化，进一步提高调度算法性能。本发明所提出的基于序优化与在线核极限学习机的分层迭代优化调度方法具有较好的求解速度和优化性能。
文档编号G05B13/02GK103105775SQ20121054378
公开日2013年5月15日 申请日期2012年12月17日 优先权日2012年12月17日
发明者刘民, 郝井华, 郭路, 吴澄, 王凌, 张亚斌, 刘涛 申请人:清华大学