[發明專利]基于序優化與在線核極限學習機的分層迭代優化調度方法

有效

• 申請號: 201210543781.X
• 申請日: 2012-12-17
• 公開（公告）號: CN103105775A
• 公開（公告）日: 2013-05-15
• 發明（設計）人: 劉民;郝井華;郭路;吳澄;王凌;張亞斌;劉濤
• 申請（專利權）人: 清華大學
• 主分類號: G05B13/02
• 分類號: G05B13/02
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 樓艮基

技術領域

本發明屬于自動控制、信息技術和先進制造領域。具體涉及在決策變量存在耦合、決策變量多、規模大的環境下，提高優化速度和性能的方法。

背景技術

軟計算在優化調度過程中取得了廣泛應用，但在解空間規模龐大時，易于出現算法早熟、收斂速度慢等現象，整個求解過程效率較低。雖然高效的進化計算方法被不斷提出，如量子進化計算、差分進化計算等高效的進化算法被不斷提出，在提高算法效率方面取得了一定的改善，但當面對大規模問題時，求解效率仍很難令人滿意。半導體生產過程十分復雜，規模龐大，特別在組批加工過程中，相比普通的加工過程，還存在組批、Batch排序等過程，同時組批決策和操作排序決策之間存在較強的耦合作用，即組批決策結果受操作排序結果的影響，因此，如何通過挖掘問題自身的特征，提高算法的求解效率，是優化帶有批處理過程的調度問題的難點。

本發明提出一種基于序優化與在線核極限學習機的分層迭代優化調度方法，與其他算法相比，本發明具有較優的調度性能和求解效率。

發明內容

為了解決復雜生產制造過程中優化算法存在的求解效率低下的不足，本發明針對半導體生產過程中的擴散區組批調度過程中決策變量多，批調度策略與操作排序策略之間存在強耦合，調度問題規模大等特點，在調度算法中采用了分層調度結構，對菜單層批調度策略和操作層排序策略進行迭代優化，為提高算法運算效率，采用序優化方法快速優化菜單層批調度策略，并通過菜單層和操作層之間的迭代優化，有效提高了調度算法的求解速度和優化性能。

基于序優化與在線核極限學習機的分層迭代優化調度方法，其特征在于，所述方法是在計算機上依次按以下步驟實現的：

步驟1：初始化調度算法相關參數

采集調度所需的相關初始化信息，包括每個lot的片數、品種、工藝流程信息，每個操作的菜單、可加工機器名稱、所屬的加工機器組名稱信息，每個機器的釋放時間、所屬的機器組、對每種菜單的加工時間信息，這些信息寫入算法數據庫中，在調度算法啟動時，作為初始化信息加載到算法中；

確定差分進化優化算法相關參數：選定種群規模N＝20，差分縮放因子F＝0.3，最大進化代數G_max＝5，雜交率CR＝0.8，變異比率λ＝0.3；迭代次數設為2次；

步驟2：差分進化算法初始解生成；

優化過程中，對于菜單層主要采用菜單多屬性權值優化，優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間、平均到達時間、平均后續操作數量、平均緊急程度優化四個屬性；對于操作層主要優化操作的優先權序列，于是，對于每個機器組而言，采用的編碼方式為：i表示該機器組編號i＝1，2，…，g，g為機器組的數量；r_i表示機器組i可加工菜單的最大數量；{w_i，1，w_i，2，w_i，3，w_i，4}為四個調度屬性的權值，權值初始化時在[0?1]范圍內隨機取值；表示第j個菜單對應所有操作生成的優先權序列，其中d_j表示菜單j所包含的操作的總數量，表示機器組i的菜單j中的第k個操作，k＝1，2，…，d_j；操作優先權序列采用隨機方式產生；

所有機器組的組合，構成一條初始解個體；

步驟3：采用差分進化算法獲得第一次迭代前較優解

步驟3.1：解碼

對步驟2中生成的初始解，通過離散事件仿真的方式獲得對每個調度解個體的適應度評價；

仿真過程中，主要包含菜單選擇和菜單內操作選擇兩種決策過程：

當機器空閑時，首先對緩沖區內所有的操作按照菜單進行分組，計算每種菜單內所有操作的平均剩余加工時間、平均到達時間、平均后續操作數量、平均緊急程度四個屬性，根據編碼過程中給定的調度屬性加權矢量{w_i，1，w_i，2，w_i，3，w_i，4}計算菜單的優先權值，選取權值高的菜單進行加工；

菜單選定后，對菜單內每個操作按照解個體中給定的操作優先權從高到底的方式進行選擇，直至選出的操作總片數最接近機器加工片數的最大值；此時，被選中的所有操作組成一個batch，將該batch中的所有操作都同時上機進行加工；

加工完成后，仿真推進至下一次菜單選擇和菜單內操作選擇過程，直至所有操作都加工完成，仿真結束；

步驟3.2：變異交叉過程

差分進化算法變異交叉過程描述如下：