CN111144569A - 一种基于遗传算法的良率提升适用模型的优化方法 - Google Patents
一种基于遗传算法的良率提升适用模型的优化方法 Download PDFInfo
- Publication number
- CN111144569A CN111144569A CN201911353118.1A CN201911353118A CN111144569A CN 111144569 A CN111144569 A CN 111144569A CN 201911353118 A CN201911353118 A CN 201911353118A CN 111144569 A CN111144569 A CN 111144569A
- Authority
- CN
- China
- Prior art keywords
- genetic algorithm
- model
- yield improvement
- steps
- fitness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- 230000002068 genetic effect Effects 0.000 title claims abstract description 40
- 230000006872 improvement Effects 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 239000013256 coordination polymer Substances 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 abstract description 5
- 239000010931 gold Substances 0.000 abstract description 5
- 229910052737 gold Inorganic materials 0.000 abstract description 5
- 230000006866 deterioration Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000001259 photo etching Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种基于遗传算法的良率提升适用模型的优化方法，通过优化算法的欺骗问题，优化模型各参数，优化适应度函数，以及模型的完善，通过优化已建立的遗传算法模型，将产品过货模拟生物进化形式，一方面寻找产品过货的黄金路线，同时预测产品基于已有机况的CP/Bin上限值，为线上机台管控及优化提供参考，提高产品质量；另一方面可突出表现差的机台，预测该产品基于当前机况下的CP/Bin的恶化下限值，为线上机台管控及调整提供参考，保证产品质量稳定，节约了人力成本，同时解决问题更快更准确。
Description
技术领域
本发明涉及工业大数据领域，特别是涉及一种基于遗传算法的良率提升适用模型的优化方法。
背景技术
遗传算法(GA)是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术。它模拟达尔文的自然进化论与蒙代尔的遗传变异理论，具有坚实的生物学基础；它提供从智能生成过程观点对生物智能的模拟，具有鲜明的认知学意义；它适合于无表达或有表达的任何类函数，具有可实现的并行计算行为；它能解决任何类实际问题，具有广泛的应用价值。遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的尸体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，他决定了个体的形状的外部表现，如黑头发的特征是有染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，一般会进行简化，如二进制编码。初代种群产生之后，按照适者生存的优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小挑选个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解(参考文献：王小平著《遗传算法理论、应用与软件实现》；张文修梁怡著《遗传算法的数学基础》)。
对于成熟的半导体工艺制程，产品质量(CP/FT)主要取决于工艺机台的性能表现以及其过货路径。通常评估机台好坏的方法是分析上述某一类型的数据，通过共通性(commonality)以及工程师的经验来判定机台表现的好坏差异。例如：过货某一机台的lot的CP相对其他机台明显偏低，则认为该机台性能表现较差，对该机台进行突出(highlight)，调配工程师进行应对事件/问题(case)，从而使产品质量稳定，并不能得出一个黄金路线(golden path)，且上述所有评估以及处理动作都是基于工程师具备一定处理问题的能力，存在一定的主观性以及片面性。同时，对于一个产品而言，工程师所做的是通过各种方法提高良率，但截止目前并没有任何方法可以预估其良率上限是多少，且寻找问题机台是由工程师一系列的数据分析以及综合经验判断得出，耗时长，且对处理问题的工程师有很高的要求，时间和人力成本投入大，当问题复杂时，效率明显下降厉害。
因此，需要提出一种新的方法来解决上述问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于遗传算法的良率提升适用模型的优化方法，用于解决现有技术中产品质量不稳定、投入人力成本大的问题。
为实现上述目的及其他相关目的，本发明提供一种基于遗传算法的良率提升适用模型的优化方法，该方法至少包括以下步骤：步骤一、根据已有的遗传算法模型和产品的CP或WAT特征值，进行适应度函数的尺度变换以优化算法的欺骗问题；步骤二、优化所述遗传算法模型中的交叉算子、变异算子、变异区间、删除算子；步骤三、引入种群均匀尺度进行线性排序以优化所述适应度函数；步骤四、拓展全局搜索功能并进化特征值以完善所述遗传算法模型。
优选地，步骤一中进行的所述适应度函数的尺度变换使得原适应度的平均值等于定标后的适应度的平均值。
优选地，步骤一中进行的所述适应度函数的尺度变换使得变换后的适应度最大值等于原适应度平均值的指定倍数。
优选地，步骤二中的所述交叉算子为0.25。
优选地，步骤二中的所述变异算子为0.005。
优选地，步骤二中的所述变异区间为60～100。
优选地，步骤二中的所述删除算子为0.005。
优选地，步骤三中所述引入种群均匀尺度进行线性排序包括，提供包含有个体排序序号的选择概率以优化所述适应度函数。
优选地，步骤四中拓展全局搜索功能包括：将过货产品的步骤进化至全部工艺流程。
优选地，步骤四中进化特征值包括将Bin的失效率作为特征值输入。
如上所述，本发明的基于遗传算法的良率提升适用模型的优化方法，具有以下有益效果：本发明通过优化已建立的遗传算法模型，将产品过货模拟生物进化形式，一方面寻找产品过货的黄金路线，同时预测产品基于已有机况的CP/Bin上限值，为线上机台管控及优化提供参考，提高产品质量；另一方面可突出表现差的机台，预测该产品基于当前机况下的CP/Bin的恶化下限值，为线上机台管控及调整提供参考，保证产品质量稳定，节约了人力成本。
附图说明
图1显示为本发明的基于遗传算法的良率提升适用模型的优化方法流程示意图；
图2显示为本发明进行适应度函数的尺度变换后CP的进化趋势图；
图3a显示为优化模型参数前CP的进化趋势图；
图3b和图3d显示为本发明优化模型参数后CP的进化趋势图；
图4a显示为只进行了光刻工艺的机台的CP进化趋势图；
图4b显示为本发明中将过货产品的步骤进化至全部工艺流程后的CP进化趋势图；
图4c显示为本发明中将Bin作为特征值输入后的进化趋势图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1至图4c。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明提供一种基于遗传算法的良率提升适用模型的优化方法，如图1所示，图1显示为本发明的基于遗传算法的良率提升适用模型的优化方法流程示意图。该方法至少包括以下步骤：
步骤一、根据已有的遗传算法模型和产品的CP或WAT特征值，进行适应度函数的尺度变换以优化算法的欺骗问题；在遗传进化的初期，通常会产生一些超常的个体，若按照比例选择法，这些异常个体因竞争力太突出而控制了选择过程，影响算法的全局优化性能；在遗传进化的后期，即算法接近收敛时，由于种群中个体适应度差异较小时，继续优化的潜能降低，可能获得某个局部最优解。
对于FAB而言，实际事件(case)特征值(CP/WAT)异常与正常值之间差异较小，且存在超常的个体，即进化结果存在明显的欺骗问题，为优化算法模型，进行适应度函数的尺度变换，即线性变换。本发明进一步地，步骤一中进行的所述适应度函数的尺度变换使得原适应度的平均值等于定标后的适应度的平均值。本发明更进一步地，步骤一中进行的所述适应度函数的尺度变换使得变换后的适应度最大值等于原适应度平均值的指定倍数。
假设原适应度函数为f，变换后的适应度函数为f’,则线性变换可用下式表示：f'＝α×f+β；系数确定满足：原适应度的平均值要等于定标后的适应度的平均值，以保证适应度为平均值的个体在下一代的期望复制数为1，即：f'_avg＝f_avg；变换后的适应度最大值应等于原适应度平均值的指定倍数，以控制适应度最大的个体在下一代中的复制数，即：
f'_max＝c×f_avg；
α＝((c-1)×f_avg)/(f_max-f_avg)；
β＝((f_max-c×f_avg)×f_avg)/(f_max-f_avg)。
参阅图2,图2显示为本发明进行适应度函数的尺度变换后CP的进化趋势图；为产品0025在变异区间3/1-6/1段的CP进化趋势。由此可见，线性变换法变换了适应度之间的差距，保持了种群内的多样性，且结果更具有参考意义。
步骤二、优化所述遗传算法模型中的交叉算子、变异算子、变异区间、删除算子；在传统模型的建立初期，交叉算子取值0.75，变异算子取值0.005，变异区间取值94～100，删除算子取值0.01，进化结果显示快速收敛，如图3a所示，图3a显示为优化模型参数前CP的进化趋势图；为产品0060在变异区间1/1-7/1段的CP进化趋势，表明各参数设置较激进。本发明进一步地，步骤二中的所述交叉算子为0.25，再进一步地，所述变异算子为0.005，所述变异区间为60～100，更进一步地，所述删除算子为0.005，通过调整参数，得到如图3b和图3c的CP进化趋势图。表示为产品0025在变异区间3/1-3/15段的CP进化趋势，可以看出，通过调整参数，CP进化趋于平缓。但收敛次数依旧小于50，为进一步验证，随机定义(产品)lot(150)的CP变异区间为60-100，进行演绎：其中交叉算子为0.25，变异算子为0.005，变异区间为60-100，删除算子为0.005，如图3d所示，可见收敛次数小于50,说明是样本性质决定，参数调整合理，模型具有实际参考意义。
步骤三、引入种群均匀尺度进行线性排序以优化所述适应度函数；本发明进一步地，步骤三中所述引入种群均匀尺度进行线性排序包括，提供包含有个体排序序号的选择概率以优化所述适应度函数。基于排序的适应度分配：在基于排序的适应度分配中，种群按目标值进行排序。适应度仅仅取决于个体在种群中的序位，而不是实际的目标值。排序方法克服了比例适应度计算的尺度问题，当选择压力太小的情况下，以及选择导致搜索带迅速变窄而产生的过早收敛。本发明引入种群均匀尺度进行线性排序以优化所述适应度函数。
排序方法引入种群均匀尺度，提供了控制选择压力的简单有效的方法。线性排序的计算公式为：p_i＝1/N[η^+-(η^+-η^-)(i-1)/(N-1)]，式中i为个体排序序号，1≤η^+≤2；η^-＝2-η^+；可见第一个个体的选择概率最大，即适应度最大。
步骤四、拓展全局搜索功能并进化特征值以完善所述遗传算法模型。本发明进一步地，步骤四中拓展全局搜索功能包括：将过货产品的步骤进化至全部工艺流程。
传统的初期建立模型，为快速便捷的进行演绎和展示(demo)，采用的工艺流程是全部光刻工艺的步骤，即选定的是光刻机台，为进一步优化模型，拓展全局搜索功能，将进化的步骤拓宽到全部工艺流程的步骤中，即全部机台进化过程。如图4a和图4b所示，图4a显示为只进行了光刻工艺的机台的CP进化趋势图；显示为产品0060在进化区间1/1-7/1之间的CP进化趋势；图4b显示为本发明中将过货产品的步骤进化至全部工艺流程后的CP进化趋势图，显示为产品0098在进化区间1/1-12/1(1年期间)的CP进化趋势。对比可以看出，全部机台的进化与只有光刻机台进化的结果图类似，但是整个模型更加完善，因此具备全局搜索最优的功能。
本发明更进一步地，步骤四中进化特征值包括将Bin的失效率作为特征值输入。传统的初期建立模型，采用的CP作为特征值进行输入，分析黄金路线以及表现差的机台，取得了一定的成果。但CP值受多因素影响，且受多个Bin同时作用，分析表现差的机台时较复杂，且验证较麻烦。故进一步精确模型，将CP作为特征值输入改进为Bin的失效率作为特征值输入，使得模型验证更加快速便捷。
如图4c所示，图4c显示为本发明中将Bin作为特征值输入后的进化趋势图。改进后Bin的进化和CP的进化趋势图一致，说明修改后模型是适用的。由于Bin的影响因素较少，且单一点，问题机台范围更窄，便于利用模型进行试验验证。
综上所述，本发明主要介绍遗传算法模型的不断完善与优化过程，主要是优化算法的欺骗问题，优化模型各参数，优化适应度函数，以及模型的完善，通过优化已建立的遗传算法模型，将产品过货模拟生物进化形式，一方面寻找产品过货的黄金路线，同时预测产品基于已有机况的CP/Bin上限值，为线上机台管控及优化提供参考，提高产品质量；另一方面可突出表现差的机台，预测该产品基于当前机况下的CP/Bin的恶化下限值，为线上机台管控及调整提供参考，保证产品质量稳定，节约了人力成本，同时解决问题更快更准确。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于遗传算法的良率提升适用模型的优化方法，其特征在于，该方法至少包括以下步骤：
步骤一、根据已有的遗传算法模型和产品的CP或WAT特征值，进行适应度函数的尺度变换以优化算法的欺骗问题；
步骤二、优化所述遗传算法模型中的交叉算子、变异算子、变异区间、删除算子；
步骤三、引入种群均匀尺度进行线性排序以优化所述适应度函数；
步骤四、拓展全局搜索功能并进化特征值以完善所述遗传算法模型。
2.根据权利要求2所述的基于遗传算法的良率提升适用模型的优化方法，其特征在于：步骤一中进行的所述适应度函数的尺度变换使得原适应度的平均值等于定标后的适应度的平均值。
3.根据权利要求3所述的基于遗传算法的良率提升适用模型的优化方法，其特征在于：步骤一中进行的所述适应度函数的尺度变换使得变换后的适应度最大值等于原适应度平均值的指定倍数。
4.根据权利要求1所述的基于遗传算法的良率提升适用模型的优化方法，其特征在于：步骤二中的所述交叉算子为0.25。
5.根据权利要求1所述的基于遗传算法的良率提升适用模型的优化方法，其特征在于：步骤二中的所述变异算子为0.005。
6.根据权利要求1所述的基于遗传算法的良率提升适用模型的优化方法，其特征在于：步骤二中的所述变异区间为60～100。
7.根据权利要求1所述的基于遗传算法的良率提升适用模型的优化方法，其特征在于：步骤二中的所述删除算子为0.005。
8.根据权利要求1所述的基于遗传算法的良率提升适用模型的优化方法，其特征在于：步骤三中所述引入种群均匀尺度进行线性排序包括，提供包含有个体排序序号的选择概率以优化所述适应度函数。
9.根据权利要求1所述的基于遗传算法的良率提升适用模型的优化方法，其特征在于：步骤四中拓展全局搜索功能包括：将过货产品的步骤进化至全部工艺流程。
10.根据权利要求1所述的基于遗传算法的良率提升适用模型的优化方法，其特征在于：步骤四中进化特征值包括将Bin的失效率作为特征值输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911353118.1A CN111144569A (zh) | 2019-12-25 | 2019-12-25 | 一种基于遗传算法的良率提升适用模型的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911353118.1A CN111144569A (zh) | 2019-12-25 | 2019-12-25 | 一种基于遗传算法的良率提升适用模型的优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111144569A true CN111144569A (zh) | 2020-05-12 |
Family
ID=70519744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911353118.1A Pending CN111144569A (zh) | 2019-12-25 | 2019-12-25 | 一种基于遗传算法的良率提升适用模型的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144569A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112904821A (zh) * | 2021-01-28 | 2021-06-04 | 上海华力微电子有限公司 | 一种基于遗传算法模型的数据分析方法及装置 |
| CN117036112A (zh) * | 2023-10-09 | 2023-11-10 | 石家庄坤垚科技有限公司 | 一种土地规划用的地理信息***及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1900956A (zh) * | 2006-07-11 | 2007-01-24 | 南京大学 | 一种改进的混合遗传算法优化水质模型参数的设计方法 |
| CN110516807A (zh) * | 2019-08-29 | 2019-11-29 | 上海华力集成电路制造有限公司 | 半导体产品良品率极值计算方法及其极值计算*** |
-
2019
- 2019-12-25 CN CN201911353118.1A patent/CN111144569A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1900956A (zh) * | 2006-07-11 | 2007-01-24 | 南京大学 | 一种改进的混合遗传算法优化水质模型参数的设计方法 |
| CN110516807A (zh) * | 2019-08-29 | 2019-11-29 | 上海华力集成电路制造有限公司 | 半导体产品良品率极值计算方法及其极值计算*** |
Non-Patent Citations (1)
| Title |
|---|
| 朱会霞, 东北大学出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112904821A (zh) * | 2021-01-28 | 2021-06-04 | 上海华力微电子有限公司 | 一种基于遗传算法模型的数据分析方法及装置 |
| CN117036112A (zh) * | 2023-10-09 | 2023-11-10 | 石家庄坤垚科技有限公司 | 一种土地规划用的地理信息***及方法 |
| CN117036112B (zh) * | 2023-10-09 | 2023-12-22 | 石家庄坤垚科技有限公司 | 一种土地规划用的地理信息***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | A discrete multi-objective fireworks algorithm for flowshop scheduling with sequence-dependent setup times | |
| Wang et al. | A bi-population based estimation of distribution algorithm for the flexible job-shop scheduling problem | |
| Zhou et al. | Hyper-heuristic coevolution of machine assignment and job sequencing rules for multi-objective dynamic flexible job shop scheduling | |
| CN105929690B (zh) | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 | |
| CN113805545B (zh) | 一种考虑批处理的柔性流水车间组合调度规则生成方法 | |
| Zolfaghari et al. | Comparative study of simulated annealing, genetic algorithms and tabu search for solving binary and comprehensive machine-grouping problems | |
| Pistolesi et al. | TeMA: A tensorial memetic algorithm for many-objective parallel disassembly sequence planning in product refurbishment | |
| Salimpour et al. | Semi-robust layout design for cellular manufacturing in a dynamic environment | |
| CN110119558B (zh) | 一种基于差分优化算法的电路参数优化方法 | |
| CN105447509A (zh) | 一种光伏发电***的短期功率预测方法 | |
| CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
| CN112862380A (zh) | 一种基于混合算法的项目型产品装配车间人员调度方法、设备及存储介质 | |
| CN117236278B (zh) | 一种基于数字孪生技术的芯片生产仿真方法及*** | |
| CN108154003B (zh) | 基于Spark基因表达式优化的***振动预测方法 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| Kim et al. | Tire mixing process scheduling using particle swarm optimization | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| Asokan et al. | Machine-cell grouping in cellular manufacturing systems using non-traditional optimisation techniques-A comparative study | |
| CN104281917A (zh) | 基于自适应遗传和克隆选择算法的模糊作业车间调度方法 | |
| CN110516807B (zh) | 半导体产品良品率极值计算方法及其极值计算*** | |
| Halim et al. | Single-machine integrated production preventive maintenance scheduling: A simheuristic approach | |
| JAVIDI et al. | Research in random parameters of genetic algorithm and its application on TSP and optimization problems | |
| CN115115119A (zh) | 一种基于灰色关联的oa-gru的短期电力负荷预测方法 | |
| CN115659800A (zh) | 一种用于芯片研制的多目标优化方法 | |
| CN114089699A (zh) | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |