半导体生产线生产计划的混合智能优化方法

专利名称：：半导体生产线生产计划的混合智能优化方法
技术领域：
：智能优化方法可用于智能生产系统领域中生产计划系列问题的求解，能够支持模糊生产计划优化模型的构建及最优生产计划的搜索。本专利提出一种全新的半导体生产线生产计划优化模型的构建方法，及用于该优化模型求解的混合智能优化算法。具体地，本专利提出的智能优化方法首先以不突破产能资源限制为约束条件，以保持在制品数稳定和减小订单拖期率为目标，构建完全不同于传统确定形优化模型的模糊生产计划模型。随后，采用一种结合了模糊模拟、神经网络、人工免疫的混合智能算法来求解计划模型，得到一个可行的、优化的生产线日投料计划。
背景技术：
：半导体制造业是制造业的一个重要分支，普遍具有生产周期长、投资金额大的特点，因而迫切需要切实可行的生产计划来确定投料批量与投料日期，在满足现有生产条件下，使经济效益最大化。一个好的生产计划可给企业带来巨大的经济收益，故它的编制合理与否直接影响到企业的正常生产和经济效益。由于半导体制造业具有生产线规模大、产品种类多、加工流程复杂，因而其生产计划问题是一类具有NP-hard特性的复杂组合优化问题，相关的研究一直受到国内外学者的广泛关注。其中，对于待决策订单中各种产品的具体投料日期和投料数量都是计划过程中的参数变量；计划区间的各个时段中产品加工对各设备组的产能占用不超过相应设备组的生产能力资源是对参数变量的约束；保持生产线上在制品数量的均衡、减少订单拖期交货率等都是生产计划的目标。当前，实际的半导体生产计划的优化方法主要有传统运筹学方法和启发式算法。其中，传统运筹学方法在理论上能求得问题的全局最优解，但计算量偏大，在求解像半导体生产计划这样的大规模问题，通常需要很长的计算时间。启发式方法是一种基于直观经验或规则构造的算法。这种方法虽然能在可接受的时间内得到解，但在实际应用时却容易陷入局部最优，故常常只能得到问题的次优解。另一方面，当前半导体生产计划模型大多仍采用传统的确定型优化模型，即把问题所处的环境看作是确定的，并且目标函数和约束条件是清晰的。然而，实际的半导体生产环境中含有大量的不确定因素。因此，确定型的投料计划模型不能反映半导体实际生产环境中的不确定性，缺乏应有的柔性、灵活性。在文献“半导体制造中的先进生产计划方法”中，李琦等人基于产品优先级和加工设备柔韧度这两个评价标准，提出了一种启发式方法。该方法由于流程固定，可在电子表格Excel中利用VBA(VisualBasicForApplication)实现此计划系统。但是由于需要反复多次计算，对于复杂加工环境所需时间较长，且由于是经验法则，所得的计划并不一定是最优的。在文献“半导体制造业生产计划的优化方法”中，李琦、刘大成等人以产能约束为约束条件，以产品总收益最大化为目标，构建了线性规划模型。该方法无需反复多次计算，3只需一次求解即可得出最优解。但该方法仅适用于时间段、产品种类、产品加工步骤、设备组等较少的情况。一旦问题规模变大，该方法所需的计算时间将呈指数级增长，进而降低算法的效率。在专利“生产计划方法和生产计划系统”(申请号=200710091666.2)中，石桥尚也等人基于产品的生产能力评估参数，构造了一种启发式方法。该方法和系统能在生产线上的设备由多个产品共享的情况下，自动地调查在其中加工的产品数量被改变的原因，从而可在短时间内准备具有高精度的生产计划。不过此发明中，需要对整个生产过程中的所有产品反复地进行生产能力评估，一旦生产线上的在制品较多，产品加工流程较长，则所需的计算时间将大幅增加。另外，该方法同样无法保证解的全局最优性。在专利“制订生产起始计划的系统和方法”(申请号=96102115.2)中，胁山春道构造了一种基于生产起始时间满意程度的启发式方法。该方法在使用时，先算出理想生产起始时间。再对各产品相对于其理想生产起始时间的不同偏差设置不同的满意程度，并在各个不同的满意程度下算出相应的实际生产起始时间。在计算实际生产起始时间时，对满足程度较低的产品给予较高的起始生产优先级。该方法计算过程简单，并能在难于执行理想生产起始计划时，有可能制订出实际的生产起始计划。但是，通过该方法得到的生产起始计划精度较低，不适于精度要求较高的生产计划问题。而且同样也不能保证所得解的全局最优性。以上专利或文章中提到的生产计划优化方法，均是基于确定型生产计划模型，优化算法也都限于传统运筹学方法或启发式方法。因而，所得到的生产计划既不能反映实际中存在的不确定性，又不能保证解的全局最优性。近年来，针对确定型生产计划模型和传统优化算法的不足，不少学者开始将模糊规划引入制造业生产计划模型的建立，并利用一些智能算法对模型进行求解。但这方面的研究多停留在期刊文献阶段，很少见到半导体生产线生产计划模糊建模及智能优化方面的专利。在文献“模糊能力约束下的生产批量计划方法研究”中，熊红云、杨秀芳等人利用模糊数来表示设备加工时间及可用能力资源的不确定性，以整个计划期内各项目的调整费用与库存费用之和最小为目标，以资源的模糊能力限制为约束条件，建立了具有模糊能力约束的生产批量计划模型。并采用结合遗传算法和参数线性规划方法的混合算法提来求解该模型。该方法在保证算法的全局搜索能力的同时，还有体现出很好的柔性。在文献“模糊需求环境下多工艺批量生产计划”中，杨红红等人针对制造商的生产利润以及用户的产品需求量这两个方面的模糊性，利用Zimmermarm的容差法，以整个计划期内企业的盈利额最大化为目标，以生产量、库存与外部需求之间的模糊约束关系为约束条件，建立了带模糊客户需求的批量生产计划模型。在用遗传算法求解模型时，构造了一种启发式的初始化策略以提高遗传操作的效率。该方法能兼顾制造商与客户的追求，在较短的时间内找到最优解。但其时间描述只表达了时间间隙在各个设备的开始和结束时间，不包含各个产品批次的处理时间信息。因此不能处理产品的最早开工时间和订单的交货期等约束。在文献“模糊批量生产计划问题的可信性规划模型与算法”中，白进达等人针对产品单位利润、生产能力及客户需求量的不确定性，应用Liu的可信性规划，建立了以生产利润最大化为目标、以生产能力限制为约束条件的生产批量计划优化模型。然后将模糊参数为梯形模糊数的模糊模型转化为清晰等价形式，并设计了结合模糊模拟、遗传算法的混合智能算法来求解优化模型。以上文章中提到的模糊优化模型，大多是以一般制造业为背景。而将模糊建模和智能优化方法专门用来解决半导体生产线生产计划问题，不管是期刊文献还是专利发明方面都很少。
发明内容针对当前研究的不足，本发明提出了专门针对半导体生产线生产计划的一种递阶的优化模型和智能优化求解方法。该发明针对半导体晶圆加工周期长的特点，采用分级递阶优化的策略。第1级采用模糊建模和智能优化的策略用模糊数来描述由设备故障及故障修复时间不确定所造成的可用产能资源的不确定性，利用可信性规划建立以保持在制品水平均衡为目标，以模糊的能力资源限制为约束条件的生产计划模型。再采用一种结合了模糊模拟、神经网络、人工免疫算法的混合智能算法来求解计划模型，以得到一个可行的、优化的月投料计划。第2级则基于产品的交货期紧急度和加工周期长短构造启发式策略，将第1级的月投料计划进一步细化为日投料计划，即该方法的步骤是步骤1，采用模糊建模和智能优化的策略；用模糊数来描述由设备故障及故障修复时间不确定所造成的可用产能资源的不确定性，利用可信性规划建立以保持在制品水平均衡为目标，以模糊的能力资源限制为约束条件的生产计划模型；再采用一种结合了模糊模拟、神经网络、人工免疫算法的混合智能算法来求解计划模型，以得到一个可行的、优化的月投料计划；步骤2，基于产品的交货期紧急度和加工周期长短构造启发式策略，将步骤1的月投料计划进一步细化为日投料计划。所述模糊建模的优化模型为<formula>formulaseeoriginaldocumentpage5</formula><formula>formulaseeoriginaldocumentpage5</formula>其中，WlP.i表示产品i的平均在制品值，0\表示产品i的平均加工周期，WIP。nline-i表示在计划期初始时刻线上产品i的在制品数。Oi是计划期第1个月中，线上在制品的所有剩余工序对EqpGr0UPl产能需求量。$为能力资源的模糊量，o(3f，OJS$丨表示事件“容口而^不”的可信性测度，3lt是预设的置信水平。是产品i的工序j对设备组EqpGr0UPl的单位能力需求。优化中采用启发式策略，先根据交货期紧急度和产品加工周期长短，算出各产品的“投料先级”，产品i的“投料先级”为<formula>formulaseeoriginaldocumentpage6</formula>其中，pi、p2是预设的权重因子，且有pl+p2=1。Cycletime_n为产品η的加工周期，deadline_n为交货期。显然，产品i的投料优先级Priorityj越小，其相对紧急度就越高，相应的投产日期就要相对早。本发明的优占在于，以实际半导体生产线为背景，抓住了半导体生产线中设备的可用产能资源不确定的特点，采取的模糊建模方法在反映产能资源的不确定性上具有一定的优势，体现出了很好的柔性。本发明提供的混合智能算法充分利用了各个智能算法的优点，在极大地提高搜索速度的同时，还能保证较强的全局搜索能力，是一种切实有效的算法。本发明提供的建模与优化方法可以广泛使应用于智能生产系统领域，离散制造业投料计划模型的构建，及最优解搜索等方面。总之，本发明提供了切实可行的半导体生产线投料计划建模方法和智能优化算法，该模型的提出对研究大规模、模糊环境下的制造业生产计划有一定的参考价值，对提高我国智能生产系统领域中生产计划建模和优化水平具有重要的指导意义。附图是本发明示意图。图1是生产线简化模型Minifab的示意图。图2是后台数据库中各表之间关系图。图3是模糊量的三角模糊数示意图。图4是包含单隐含层的前馈神经网络示意图。图5是总出片数对比图。图6是平均在制品数对比图。图7是平均移动速率对比图。图8是准时交货率对比图。具体实施例方式先以半导体业界常用的生产线简化模型Minifab为例，来说明半导体生产线的加工特性。图1所示为一个生产3种产品、有6道工序和5台设备的生产线简化模型。根据加工特性，这5台设备又分属于3个设备组。其中，设备组1包括设备Ma、Mb,用来加工工序1和工序5；设备组2包括设备Mc、Md，用来加工工序2和工序4；设备组3包括设备Me，用来加工工序3和工序6。表1描述了Minifab中三种产品(A、B、C)的加工流程<table>tableseeoriginaldocumentpage7</column></row><table><table>tableseeoriginaldocumentpage8</column></row><table>期望交货期为Eik。半导体业是一种面向订单型的生产企业，然而企业在满足市场的客户订单的同时，通常还会关注生产线自身的“生产均衡性”。这是因为，晶圆生产属于资本密集型产业，设备投资庞大，运作成本高昂，因此投资者希望设备被充分地利用。另一方面，若生产线上的设备负载程度太高，又会延长产品的加工周期，导致客户的满意度下降。而要保证“均衡生产”，一种有效的方式就是让生产线的在制品水平分布保持稳定。根据Little公式，可以推出t月份预投片产品i的在制品数WIPit=(当月产品i的投片数)X(产品i的平均加工周期)=XitXCTpX==j’《Χ。，...,·^1Γ，义21，^22>■^27'，.",1^nl，义，··.，"^ηΓ)’CT—(CZ^，CZ^，…，CTn)，WIPavg=(WIPAVG.X’WIPAVG_2，…’WIPAVG_)，其中WIPavcm表示产品i的平均在制品值。WIP-=(WIP—’WIPonlme.,WIPon,me_n)，其中WIP。nliM_i表示在计划期初始时刻线上产品i的在制品数。mf{x,CT,WIPavg，WIPaiiim)表示在整个计划期内各种产品的在制品值与其平均在制品值的累计偏差，即<formula>formulaseeoriginaldocumentpage9</formula>(i)<formula>formulaseeoriginaldocumentpage9</formula>根据企业“生产均衡性”的目标，我们希望计划期各时段中各产品的在制品值尽量稳定在其平均在制品值附近，也就是使累计偏差/(元CT,WIPavg,WIP^)尽可能的小，即优化目标为<formula>formulaseeoriginaldocumentpage9</formula>(2)考虑到设备在半导体制造业中的重要性，本方法以设备的机时作为生产线的可用产能资源。我们以产能资源限制作为约束条件，则第t时段所有η种产品的所有工序对设备组1的能力需求不超过设备组1的可用能力资源，即约束条件为<formula>formulaseeoriginaldocumentpage9</formula>(3)其中，O1是计划期第1个月中，线上在制品的所有剩余工序对设备组1产能需求量。考虑到实际生产线上的设备故障及故障修复时间的不确定性，λχ实际上是一个模糊量。这样一来，约束条件(3)就不再有意义了。因而，本方法借助于模糊机会约束规划来处理模糊环境下的产能约束条件。我们重新将单位时段设备组1的可用能力资源量记为&，表示它是一个模糊量。根据模糊机会约束的思想，约束条件不必严格满足，而是只要得到满足的可信性测度不小于一定的置信水平即可。则模糊产能约束条件为<formula>formulaseeoriginaldocumentpage10</formula>其中，^^氐岑；^不棒示事件“g^Ahl,”的可信性测度，βlt是预设的置信水平。因此，模糊产能资源下在制品水平均衡的生产计划优化模型为<formula>formulaseeoriginaldocumentpage10</formula>其中，WIPavcm表示产品i的平均在制品值，CTi表示产品i的平均加工周期，WIP。nline-i表示在计划期初始时刻线上产品i的在制品数A1是计划期第1个月中，线上在制品的所有剩余工序对EqpGr0Up1产能需求量；I,为能力资源的模糊量，O^e5OyIj表示事件“_(瓦0,)SX1”的可信性测度，βlt是预设的置信水平；ωiJX是产品i的工序j对设备组EqpGroup1的单位能力需求；为了求解上述计划模型，本文采用结合了模糊模拟、神经网络、人工免疫算法的混合智能算法。算法的描述如下1.用模糊模拟技术为约束条件中的不确定函数产生输入输出数据。2.根据产生数据训练一个神经元网络逼近不确定函数。3.初始化p0p_siZe个染色体，并利用训练好的神经元网络检验染色体的可行性。4.提取疫苗。5.通过交叉和变异更新染色体，并利用训练好的神经元网络检验子代染色体的可行性。6.接种疫苗。7.计算所有染色体的适应度。8.通过免疫选择得到新一代种群。9.重复步骤4到步骤8直到完成给定的循环次数。10.给出最好的染色体作为最优解，即最佳月投料计划。在通过第1级优化策略得到了最佳月投料计划的基础上，第2级优化策略将把月投料计划进一步细化到日投料计划。第2级优化中所采用的启发式策略是，先根据交货期紧急度和产品加工周期长短计算出各产品的“投料优先级”，其具体计算方式是，产品1的加工周期为CycletimeJ，交货期为deadline」产品2的加工周期为CyCletime_2，交货期为deadline_2；......；产品η的加工周期为Cycletimej，交货期为deadline』。其中，假设加工周期最长的是Cycletime_Max，加工周期最短的是Cycletime_Min；交货期最早的是deadline_Min，交货期最晚的是deadline_MaX。则产品i的投料优先级为<formula>formulaseeoriginaldocumentpage11</formula>其中，pi、p2是预设的权重因子，且有pl+p2=1。显然，产品i的投料优先级Priority,!越小，其相对紧急度就越高，相应的投产日期就要相对早。在算出产品的投料优先级以后，就能按照“投料优先级越小的产品，投料日期越早”的原则，将月投料计划中各月的计划投料产品及相应投片数分派到各个月的各天中去，从而得到最终的日投料计划。下面再列一具体实施例按分级递阶优化的思想分成两部分，一是建立后台数据库以存放客户订单和相关生产信息，进而实现模糊产能环境下的投料计划数学模型，并采用混合智能算法求解模型以得到月投料计划。再是基于产品的交货期紧急度和加工周期长短构造启发式策略，以将优化了的月投料计划进一步细化为日投料计划。下面具体介绍一下实现细节。模糊产能环境下的投料计划数学模型的实现。首先，在Access中建立一个后台数据库来存储客户订单信息以及相关的生产信息(如产品信息、加工中心信息、工艺信息和加工流程信息)。后台数据库中主要包含订单表、产品表、加工流程表、工艺表、加工中心表、在制品表和历史数据表。其中，订单表、产品表、加工流程表、工艺表和加工中心表中的相关字段及之间的关系见图2。在制品表中主要包含当前生产线上在制品的一些相关信息，包括在制品的产品号、当前加工步骤、当前加工工序、当前工序已持续的时间。而历史数据表则用于存放生产线上的历史统计信息，包含的字段有产品号、产品的平均在制品值。有了后台数据库以后，就能方便地实现先前提到的投料计划数学模型(公式5)。通过订单表与加工流程表中的公共字段“产品号”，可以得到订单中所有产品的加工流程，再通过加工流程表与工艺表中的公共字段“工序号”，就能得到加工流程中相应工序的加工时间，即各产品的各道工序对相应设备组的单位能力需求是=1,2,...，n;j=1,2,...,m；1=1,2,...，L)，将各个产品加工流程中所有工序所需的加工时间加起来，就能得到订单中各产品的加工周期@=(07^07^，...，(^7；)。通过订单表与历史数据表中的公共字段“产品号”，可以得到订单中各产品的平均在制品值^^^砂识^附/^^，…，妒//^^)。通过在制品表中的字段“在制品产品号”，可以统计出计划期初始时刻，线上各产品的在制品数气m=(WIPm，WlPonline^’..·，WIPonline^n)。本发明利用常用的三角模糊数(λ"λλ广)来描述单位时段中各设备组的可用能力资源量((1=1，2,...，L),见图3。其中，X1直接取自于加工中心表的字段“期望可用产能量”，A1-=O-QA1,λ；=1.1λ10模糊约束条件中的可信性测度O&G，λ,)^丨按以下方式计算(a)t=1;1=1，2，···，L时，<formula>formulaseeoriginaldocumentpage11</formula><formula>formulaseeoriginaldocumentpage12</formula>其中<formula>formulaseeoriginaldocumentpage12</formula>混合智能算法的具体实现步骤步骤1.生成初始决策向量首先，根据在制品表统计出在第1个月(计划期初始时段)中，线上在制品的剩余工序对各设备组的产能需求量。并用各设备组的期望可用产能量(取自加工中心表)减去线上在制品的剩余工序对其的产能需求量，得到扣除了线上在制品产能占用后的剩余产能量。然后基于“木桶原理”排定第1时段的计划投料量找到剩余产能最少的设备组及其剩余产能量，统计出各产品的单位量(1片)加工对于该设备组的产能需求，在不超出该设备组剩余产能的情况下，优先生产那些单位量加工对该设备组产能需求较少的产品，进而得到第1个时段的计划产量。随后，根据各设备组的期望可用产能，以及剩余订单的产能需求，统计出完成所有订单所需的时间段(产能需求量满足可信测度，其具体做法是对三角模糊数I；(见图3)均勻地产生N个产能样本点Ui(i=1,2,...,N)，并算出各产能样本点相应的隶属度值μ(Ui)(i=1，2，...，N)。将决策变量x={xn,xn,...,xw,x2x,x22,...,x2T,...,xnX,xn2,--.,xnT)]k^^MM&iKu(Ui)(i=1,2,...,N)代入公式(7)、(8)，算出可信性测度值，切可信测度值必须大于等于βlt)，即计划期2至T时间段，得到初始的决策向量X~J,’…，Ar，义21’义22，…，又2Γ，…，文nl，°步骤2.根据模糊约束条件Cr&^^Kl/R/^t=1，2，···，T;1=1,2,...,L初始化月投料计划种群。在计划期的各个时段t=1，2，...，T，对各个设备组1=1，2，...，L，比先根据2Cr,Cr<0.5置信水平βIt下的可信性测度值，利用公式//=Y1ρ、ρ、n到对应的“临界”隶步骤3.训练神经元网络以逼近不确定函数—/I,)<I,}先借助“模糊模拟”技术生成一系列输入、输出数据(具体过程同上)，决策变量Jf是输入数据，可信性测度Crk(^A)Slj是输出数据。再根据这些数据训练一个包含单隐含层的前馈神经网络，见图4。通过训练数据以及BP学习算法，使该神经网络逼近不确定函数。从而在后续的迭代中，直接将决策变量输入神经网络就能得到可信性测度Cr{g(x,λ,)^},而不必重复“模糊模拟”的过程了。步骤4.检验种群中染色体的可行性将染色体(即决策变量i)作为神经网络的输入，对于t=1,2,...，T;1=1，2，...，L，计算相应的可信性测度。并将其与预设的置信水平作比较。若We{l，2,...，r}、V/e{1,2,...,Ζ}，可信性测度均大于(等于)预设的置信水平，则该染色体是可行解；否则，该染色体是不可行的，将其舍去，并从可行解中随机选一个取代它。步骤5计算各染色体的适应值由于模型的优化目标是使累计偏差/(幻尽可能地小，故染色体f的适应值与/(刃成反比。本发明中，按以下公式算出各染色体的适应值<formula>formulaseeoriginaldocumentpage13</formula>步骤6终止条件判断判断算法的迭代次数是否达到给定值，若达到给定值，则输出最好的染色体作为月投料计划；否则，转至STEP7。步骤7提取疫苗若迭代次数为1，转至STEP8；否则，先统计出各基因位上各可选基因码的出现频率，具体统计方式是若基因位k上(k=1,2,…，nT)上的可选基因码ki共有η个(i=1,2,…，n)，则基因位k上基因码ki的出现频率为<formula>formulaseeoriginaldocumentpage13</formula>廿ι,,、1，第j个染色体的基因位K上出现基因码A:,._9]其中，=IO,其他然后，将基因位k上出现频率最大且此频率大于(等于)预设阈值的可选基因码作为该基因位上的疫苗基因码。对所有的基因位都重复上述过程，完成疫苗提取。步骤8选择操作按交叉概率P。从种群中选出待交叉的染色体，本方明提供了用户界面允许用户设置交叉概率的大小。步骤9交叉、变异操作先将选出的待交叉的染色体随机组队，进行单点交叉。再按变异概率PmW交叉后的染色体中随机选出一些进行变异操作。本方明提供了用户界面允许用户设置变异概率的大小。步骤10接种疫苗按免疫接种概率从变异后的种群中选出待接种染色体。具体接种过程是用疫苗的各基因位上的基因码替换待接种染色体相应基因位上的基因码。STEP11转至STEP4完成了第1级优化后，就得到了一个月投料计划。接着，还要借助第2级优化将月投料计划进一步细化到日投料计划，其具体步骤是步骤1计算产品的“投料优先级”根据产品的交货期和加工周期，算出月投料计划中各月份的相应产品的“投料优先级”，其具体计算方式见公式(6)。步骤2按“投料优先级”对产品排序对月投料计划中各月份的相应产品，按照其“投料优先级”的升序排列，得到各月的产品排序表。步骤3将月投料计划分派到各天按照“月投料计划均勻分配到各天”的原则，用各月待投产品的数量除以该月的天数，得到各天待投产品的数量N。再按照“投料优先级越小的产品，投料日期越早”的原则，从各月的第1天到最后1天，每次顺序地从产品排序表中取出N个产品作为该天的待投产品，从而得到最终的日投料计划。最后，为了验证基于本文提出的分级递阶智能优化方法制定的半导体生产线生产计划的有效性，本文在以上海XX企业6寸硅片生产线为对象所构建的仿真模型中，根据该企业的实际客户订单，将按照分级递阶智能优化方法所得到的投料计划与按照其他方法(包括固定数量投料控制算法、预期交货期投料控制算法、多目标优化投料控制方法)所得到的投料计划作对比。其中，本方法中的相关参数设置为种群规模N=80，交叉概率为Pc=0.6，变异概率Pm=0.01，概率P1=0.5，迭代代数为T=200，置信水平βlt=0.65(t=1，...，T;1=1，2，...，L)。需要说明的是，本方法与其他3种方法所制定的投料计划都是基于同一批客户订单，如表2所示。在对比的过程中，所参照的性能指标有总出片数、平均在制品数、平均移动速率、准时交货率。各性能指标对比结果如图5-图8所示。由性能指标的对比结果，可以看出与另3种投料计划相比，本智能优化投料计划在保证相同总出片数和准时交货率的情况下，能够有效地减小平均在制品数和平均移动速率的“波动”。其中，对于平均在制品数指标，本智能优化投料计划与另3种投料计划的平均绝对偏差(AVEDEV)分别为674.8476、1109.834、1121.967和1072.421。故从AVEDEV的角度，智能优化投料计划下平均在制品数的“波动”比另3种投料计划分别减少了39.2%、39.9%、37.1%。对于平均移动速率指标，本智能优化投料计划与另3种投料计划的平均绝对偏差(AVEDEV)分别为1.252632、1.69097、1.847424和1.909806。故从AVEDEV的角度，智能优化投料计划下平均移动速率的“波动”比另3种投料计划分别减少了39.2%,39.9%,37.1%。另一方面，本方法的耗时约为90秒，而其他3种方法的耗时均在60秒左右。因此，本方法的运算时间略微长于其他3种方法。上述验证结果表明，本发明的生产计划智能优化方法能够切实、有效求解模糊市场、生产环境下的半导体生产计划问题，为编制半导体企业生产计划提供了有力的工具。表2实际客户订单需求量客户期望交产品(片)订货厂商货期1160350Cff2009-1-206937831500VS2009-1-251117B61000LX2009-2-58563500LX2009-2-10M2004100LX2009-2-10M2936DV20100LX2009-2-10BID40200DP2009-2-16937831500VS2009-2-251117B61000LX2009-3-58563500LX2009-3-10M2004100XC2009-3-10M2936DV20100XC2009-3-10BID40200DP2009-3-1GCP003100XX2009-3-10Y801100Sff2009-3-106937831500VS2009-3-251117B61000LX2009-4-58563500LX2009-4-10M2004100XC2009-4-10M2936DV20100BXC2009-4-10BID40300DP2009-4-11160350Cff2009-4-206937831500VS2009-4-251117B61000LX2009-5-58563500LX2009-5-10M2004100XC2009-5-10M2936DV20100XC2009-5-10POLYE100NA2009-5-15Y801300Sff2009-5-10BID40500DP2009-5-16937831500VS2009-5-251117B61000LX2009-6-58563500LX2009-6-10M2004100XC2009-6-10M2936DV20100XC2009-6-10BID40500DP2009-6-1GCP003100XX2009-6-10Y801500Sff2009-6-106937831500VS2009-6-251117B6800LX2009-7-58563500LX2009-7-10M2004100XC2009-7-10M2936DV20100XC2009-7-10BID40500DP2009-7-1GCP003100XX2009-7-10Y801500Sff2009-7-10权利要求一种半导体生产线生产计划的混合智能优化方法，包括以下步骤步骤1，采用模糊建模和智能优化的策略建立优化模型；用模糊数来描述由设备故障及故障修复时间不确定所造成的可用产能资源的不确定性，利用可信性规划建立以保持在制品水平均衡为目标，以模糊的能力资源限制为约束条件的生产计划模型；再采用一种结合了模糊模拟、神经网络、人工免疫算法的混合智能算法来求解计划模型，以得到一个可行的、优化的月投料计划；步骤2，基于产品的交货期紧急度和加工周期长短构造启发式策略，将步骤1的月投料计划进一步细化为日投料计划。2.按权利1所述的半导体生产线生产计划的混合智能优化方法，所述模糊建模的优化模型为<formula>formulaseeoriginaldocumentpage2</formula>其中，WlP^i表示产品i的平均在制品值，表示产品i的平均加工周期，WIP^Hne-i表示在计划期初始时刻线上产品i的在制品数办是计划期第1个月中，线上在制品的所有剩余工序对EqpGr0UPl产能需求量；%为能力资源的模糊量，(^…，⑹“丨表示事件的可信性测度，3lt是预设的置信水平；Ow是产品i的工序j对设备组EqPGrouPl的单位能力需求；优化中采用启发式策略，先根据交货期紧急度和产品加工周期长短，算出各产品的“投料先级”，产品i的“投料先级”为<formula>formulaseeoriginaldocumentpage2</formula>其中，pl、p2是预设的权重因子，且有pl+p2=1；显然，产品i的投料优先级Priority_i越小，其相对紧急度就越高，相应的投产日期就要相对早。全文摘要本发明提供一种半导体生产线生产计划的混合智能优化方法，该方法采用二级优化，首先，采用模糊建模和智能优化的策略；用模糊数来描述由设备故障及故障修复时间不确定所造成的可用产能资源的不确定性，利用可信性规划建立以保持在制品水平均衡为目标，以模糊的能力资源限制为约束条件的生产计划模型；再采用一种结合了模糊模拟、神经网络、人工免疫算法的混合智能算法来求解计划模型，以得到一个可行的、优化的月投料计划；然后，基于产品的交货期紧急度和加工周期长短构造启发式策略，将前级的月投料计划进一步细化为日投料计划。文档编号G06Q10/00GK101833709SQ20101017070公开日2010年9月15日申请日期2010年5月11日优先权日2010年5月11日发明者乔非,李兆佳,李莉申请人:同济大学