基于指标预报和解相似度分析的光刻工序动态调度方法
【技术领域】
[0001] 本发明属于先进制造、自动化和信息领域，具体涉及一种面向半导体生产线光刻 工序调度、基于指标预报和解相似度分析的光刻工序动态调度方法。
【背景技术】
[0002] 本发明所针对的半导体生产线光刻工序调度问题是以总加权流经时间之和为优 化目标、带有机器适配性约束和顺序相关准备时间的单工序调度问题。光刻工序是半导体 生产线的关键工序之一，其调度效果对整个生产线的生产性能指标有较大影响。针对该类 问题，已有的调度方法主要包括精确优化方法、经典人工智能方法、启发式规则和智能优化 方法等。然而，已有调度方法在处理较大规模的上述调度问题时，调度性能仍然不够理想， 因此，提出具有较好性能的光刻工序动态调度方法具有重要意义。
【发明内容】
[0003]为解决半导体生产线光刻工序以最小化总加权流经时间为优化目标的调度问题， 本发明提出一种基于指标预报和解相似度分析的光刻工序动态调度方法（以下简称为 PASM)。
[0004]本发明所针对的半导体生产线光刻工序调度问题是以总加权流经时间之和为优 化目标、带有机器适配性约束和顺序相关准备时间的单工序调度问题，在本发明中，首先将 上述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，在此基础上，针对工件 排序调度子问题，构建其性能指标预报模型。上述调度子问题性能指标预报模型的作用是， 在不求解该调度子问题的前提下，通过分析该调度子问题的特征信息来预报该调度子问题 对应较优解的性能优劣。在上述调度子问题性能指标预报模型基础上，提出基于解相似度 分析的差分进化算法来求解设备选择调度子问题，其中，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评价，从而改善全局优化 性能。
[0005]( -）问题描述
[0006]半导体生产线光刻工序调度问题可具体描述如下：
[0007]光刻工序有m台光刻机，n个待调度的工件，分别记为M= {1，2, . . .，m}和N= {1，2, . . .，n}。每个工件需要在某台光刻机上进行加工，工件j(jGN)在机器1上的加工 时间、权重、释放时间记为Pu，《」和r」，另外，工件j还对应一个可加工的光刻机集合y』以 及光刻板型号bj，只有该集合内的光刻机才可加工此工件，且在加工时，如果上一个加工任 务对应的光刻板型号与本次任务对应的光刻板型号相同，则所需的切换时间为〇,否则需要 一个固定的光刻板切换时间。另外，还考虑如下假设：同一个机器一个时刻只能加工一个工 件，同一个工件一个时刻只能在一个机器上加工，而且一旦开始加工，不可中断直至加工完 成。现需要安排工件在光刻机上加工，使得总加权流经时间最短。
[0008] 假设am」(am」GM)为工件j所指派的加工机器，f」为工件j的加工完成时间，S为 工件间切换时间矩阵，s= {spq}nXn，其中，spq为工件p与工件q在同一个光刻机上相邻加 工时所需的切换时间。就本发明所针对的光刻工序动态调度问题而言，若两个工件采用相 同的光刻板，则二者之间的切换时间为零，否则需要一定的切换时间。上述光刻工序调度问 题可采用混合整数规划模型描述，具体如下：
【主权项】
1.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：?维数为21+3维，其每一维的 取值从[-1 1]中随机选取，匕为1维，取值为从
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%; 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。
2.如权利要求2所述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，所述的调度子问题性能指标预报模型的输入包括如下属性： ?分配至该机器1的工件的总加权加工时间
?光刻板类别数量：NB ?指派到当前光刻机的工件释放时间的集中程度：Cr ?采用最小加权加工时间规则所获得的目标函数值：TWFTswpt ?区间i对应工件的总数量：| Ω」，i = 1，2，…，I. ?区间i对应工件的总加权加工时间：
其中，P1, P wjP q分别为工件j在光刻机1上的加工时间、权重、释放时间，j = 1， 2，…，n，Qi为分配到区间i的工件集合，区间的划分方法为：把整个调度时间轴划分为I 个区间，I为整数,每个区间的长度为u = 〇^,_+口1_-1^,_)/141_为所有工件中加工时 间的最大值，4_和r ^niin为所有工件释放时间的最大值和最小值，区间的起始时刻为r i, min> Cr的计算步骤如下： 1) 令Li (i = 1，2，···，〗）表示第i个区间的总负载，Li,」为工件j对1^的贡献； 2) 对工件 j (j e Ω ,.)，令 Sti= r ，则 Ci= r ,.+P1.，通过下式计算 Li. ?:
3) 计算第i个区间的总负载 4) 通过下式计算Cr :
在上述属性中，两个与调度时间区间相关的属性，I Ω」和
，其计算步骤如 下： 1) 将该光刻机上的所有工件按其释放时间由小到大的顺序排序，不失一般性，记i， j' 2，…，j' n为排序后的各个工件，r' i，r' 2，…，r' n为对应的释放时间；
2) 对工件j' k(k=l，2，…，n)，如果iu彡r' k<(i+l)u成立，其中i为时间窗口 的序号，则j ' k属于第i个时间窗口对应的工件集合； 3) 对每个时间窗口，I Ω」为该时间窗口对应的工件数量， ：为该时间窗口对 应工件的加权加工时间之和； 按照上述输入属性选择方法，对给定的单台设备的工件排序调度子问题，用于构建预 测模型的特征共有21+4个，根据问题规模的不同，I的取值在区间[4,8]之间。
【专利摘要】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。
【IPC分类】G05B19-418
【公开号】CN104536412
【申请号】CN201410805103
【发明人】刘民, 郝井华
【申请人】清华大学
【公开日】2015年4月22日
【申请日】2014年12月23日