CN111507641B - 一种批处理设备调度方法及其装置 - Google Patents

一种批处理设备调度方法及其装置 Download PDF

Info

Publication number
CN111507641B
CN111507641B CN202010345145.0A CN202010345145A CN111507641B CN 111507641 B CN111507641 B CN 111507641B CN 202010345145 A CN202010345145 A CN 202010345145A CN 111507641 B CN111507641 B CN 111507641B
Authority
CN
China
Prior art keywords
scheduling
chromosome
batch
workpieces
batch processing
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.)
Active
Application number
CN202010345145.0A
Other languages
English (en)
Other versions
CN111507641A (zh
Inventor
钱春霞
周菁
崔晓琳
徐秋晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Original Assignee
Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Huali Integrated Circuit Manufacturing Co Ltd filed Critical Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Priority to CN202010345145.0A priority Critical patent/CN111507641B/zh
Publication of CN111507641A publication Critical patent/CN111507641A/zh
Priority to US17/185,447 priority patent/US20210335639A1/en
Application granted granted Critical
Publication of CN111507641B publication Critical patent/CN111507641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Automation & Control Theory (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

本发明提供了一种批处理设备调度方法，适用于多台批处理设备的工件的调度，所述批处理设备调度方法包括：基于所述多台批处理设备和所述工件的多个调度目标建立调度模型，所述多个调度目标包括满足所述工件的交货期、提高批处理设备的产能利用率和批次大小以及降低所述工件的生产周期；以及利用遗传算法确定所述调度模型的最优调度方案。

Description

一种批处理设备调度方法及其装置
技术领域
本发明涉及半导体生成调度领域，尤其涉及一种批处理设备调度方法及其装置。
背景技术
在半导体生产线上，通常一个设备可同时作业一个工件，设备等待作业的工件按照派工规则进行排序，逐个分配至设备进行作业。但是存在一类批处理设备，可以将工艺条件相同的多个工件组成一批，同时进入设备进行作业，这类设备被称为批处理设备。同时生产线还具有设备群的概念，即功能相同或类似的多台设备聚集在一起，共同完成相同工艺步骤的作业任务。这些设备被称作为并行加工设备。生产线上的批处理设备往往也是并行批处理设备。
由于批处理设备可同时加工数个工件，因此调度过程与单批作业设备有很大差异；同时，批处理设备的作业时间一般较长，批次的不同组合和作业顺序对交货期和下一步加工也有很大影响，是自动调度中的一个难点。批处理问题通常分为两个环节，先使用排序理论进行组批获得局部最优解，再使用调度理论进行调度。
目前主要采用的调度方法有启发式调度规则和智能算法调度规则。
其中，启发式调度规则一般先确定多个已知和明确的规则，再设计计算流程。通过多个步骤的运算和判断，最终得到一个最优解。启发式规则实现简单，计算量小，开发周期快，运行效率高，适合实际生产中的推广和应用。但是，启发式调度规则必须基于已知规则，对生产经验要求高，适用于短期和局部的一个或多个具体问题的改善。在应对生产环境变化的适应度方面则较差。条件发生变化将引起调度结果的较大偏差，对生产线的整体性能提高有限。
基于智能算法的研究也停留在调度环节，没有将组批环节考虑在内，即先通过排序理论获得最优组批结果，再使用遗传算法等智能算法进行调度。但是排序与调度是模糊问题的范畴，即排序的最优结果作为输入再进行调度，得到的调度结果并不一定最优。同时，智能算法仍然停留在研究阶段，各种假设过于简单，局限在单设备或单个工艺条件组批，且将组批和调度两个环节拆分开来考虑，对多个调度目标达不到统筹实现和整体优化的目的。
综上，现有的调度方法的调度结果不够稳定和优化，仍然需要人为干预，离95％以上的全自动化调度目标还有很大距离。
为解决上述问题，本发明旨在提出一种批处理设备调度方法，适用于多台批处理设备的调度问题，同时将组批和调度两个环节统筹考虑，最终可实现整体优化的效果。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一方面，提供了一种批处理设备调度方法，适用于多台批处理设备的工件的调度，所述批处理设备调度方法包括：基于所述多台批处理设备和所述工件的多个调度目标建立调度模型，所述多个调度目标包括满足所述工件的交货期、提高批处理设备的产能利用率和批次大小以及降低所述工件的生产周期；以及利用遗传算法确定所述调度模型的最优调度方案。
更进一步地，所述利用遗传算法确定调度模型的最优调度方案包括：基于所述工件和所述多台批处理设备的参数构建初始种群，所述初始种群包括若干染色体，每一染色体对应于一种满足所述调度模型的调度方案；利用遗传算法对所述初始种群进行循环迭代以确定出最优染色体；以及对所述最优染色体进行解码以得到所述最优染色体对应的调度方案以作为所述最优调度方案。
更进一步地，所述基于工件和多台批处理设备的参数构建初始种群包括：设置染色体种群规模；以及利用双层编码设计基于所述工件和所述多台批处理设备的参数生成所述种群规模数量的染色体以构成所述初始种群，所述双层编码设计符合所述调度模型。
更进一步地，所述基于工件和多台批处理设备的参数构建初始种群还包括：读取算例数据以获取工件参数；以及设置批处理设备参数。
更进一步地，所述双层编码设计包括：基于所述工件的数量和条件进行第一层编码，所述第一层编码包括多个子层，每一子层对应于一种条件；以及利用随机函数在所述多台批处理设备的数量和条件约束下初始化所述多个子层和第二层编码。
更进一步地，所述利用遗传算法对初始种群进行循环迭代以确定出最优染色体包括：设置遗传迭代次数、遗传操作参数以及适应度函数，所述遗传操作参数包括变异概率、交叉概率以及选择方式；对所述初始种群进行遗传算法迭代；响应于迭代次数达到所述遗传迭代次数，停止遗传算法迭代；以及将最后一次遗传算法迭代结果中的适应度值最大的染色体作为所述最优染色体，所述适应度值为所述染色体对应于所述适应度函数的数值。
更进一步地，每次遗传算法迭代包括：基于所述变异概率和交叉概率对上一轮遗传算法迭代结果中的染色体执行变异操作和交叉操作以生成新染色体；基于所述适应度函数计算每一新染色体的适应度值；以及采用所述选择方式基于每一新染色体的适应度值对所述新染色体进行选择直到选择出所述种群规模数量的染色体作为本次遗传算法迭代结果。
更进一步地，所述设置适应度函数包括：基于所述调度模型的目标函数设置所述适应度函数；以及所述基于适应度函数计算每一新染色体的适应度值包括：根据双层编码设计的规则对每一染色体进行解码以得到所述染色体对应的调度方案；基于所述调度方案确定所述目标函数值；以及基于所述目标函数值和所述适应度函数计算所述染色体的适应度值。
更进一步地，所述目标函数与所述调度方案的完工时间有关，所述对染色体进行解码以得到对应的调度方案包括：将所述染色体的双层编码进行拆分以分别得到所述染色体对应的子层工件顺序和批次大小；将所述子层工件顺序按照所述批次大小进行对应以形成组批结果；根据每一批工件的参数信息，获取每一批工件的开始时间和作业时间；以及依据所述子层工件顺序，基于调度原则对所述组批结果进行作业调度以生成所述染色体对应的调度方案。
更进一步地，所述批处理设备调度方法还包括：基于所述最优调度方案调度所述工件至所述多台批处理设备进行加工。
根据本发明的另一个方面，还提供了一种批处理设备调度装置，适用于多台批处理设备的工件的调度，所述批处理设备调度装置包括：存储器；以及与所述存储器耦接的处理器，所述处理器被配置成：基于所述多台批处理设备和所述工件的多个调度目标建立调度模型，所述多个调度目标包括满足所述工件的交货期、提高批处理设备的产能利用率和批次大小以及降低所述工件的生产周期；以及利用遗传算法确定所述调度模型的最优调度方案。
更进一步地，所述处理器进一步被配置成：基于所述工件和所述多台批处理设备的参数构建初始种群，所述初始种群包括若干染色体，每一染色体对应于一种满足所述调度模型的调度方案；利用遗传算法对所述初始种群进行循环迭代以确定出最优染色体；以及对所述最优染色体进行解码以得到所述最优染色体对应的调度方案以作为所述最优调度方案。
更进一步地，所述处理器进一步被配置成：设置染色体种群规模；以及利用双层编码设计基于所述工件和所述多台批处理设备的参数生成所述种群规模数量的染色体以构成所述初始种群，所述双层编码设计符合所述调度模型。
更进一步地，所述处理器进一步被配置成：读取算例数据以获取工件参数；以及设置批处理设备参数。
更进一步地，所述处理器进一步被配置成：基于所述工件的数量和条件进行第一层编码，所述第一层编码包括多个子层，每一子层对应于一种条件；以及利用随机函数在所述多台批处理设备的数量和条件约束下初始化所述多个子层和第二层编码。
更进一步地，所述处理器进一步被配置成：设置遗传迭代次数、遗传操作参数以及适应度函数，所述遗传操作参数包括变异概率、交叉概率以及选择方式；对所述初始种群进行遗传算法迭代；响应于迭代次数达到所述遗传迭代次数，停止遗传算法迭代；以及将最后一次遗传算法迭代结果中的适应度值最大的染色体作为所述最优染色体，所述适应度值为所述染色体对应于所述适应度函数的数值。
更进一步地，所述处理器进一步被配置成：基于所述变异概率和交叉概率对上一轮遗传算法迭代结果中的染色体执行变异操作和交叉操作以生成新染色体；基于所述适应度函数计算每一新染色体的适应度值；以及采用所述选择方式基于每一新染色体的适应度值对所述新染色体进行选择直到选择出所述种群规模数量的染色体作为本次遗传算法迭代结果。
更进一步地，所述处理器进一步被配置成：基于所述调度模型的目标函数设置所述适应度函数；根据双层编码设计的规则对每一染色体进行解码以得到所述染色体对应的调度方案；基于所述调度方案确定所述目标函数值；以及基于所述目标函数值和所述适应度函数计算所述染色体的适应度值。
更进一步地，所述目标函数与所述调度方案的完工时间有关，所述处理器进一步被配置成：将所述染色体的双层编码进行拆分以分别得到所述染色体对应的子层工件顺序和批次大小；将所述子层工件顺序按照所述批次大小进行对应以形成组批结果；根据每一批工件的参数信息，获取每一批工件的开始时间和作业时间；以及依据所述子层工件顺序，基于调度原则对所述组批结果进行作业调度以生成所述染色体对应的调度方案。
更进一步地，所述处理器还被配置成：基于所述最优调度方案调度所述工件至所述多台批处理设备进行加工。
根据本发明的再一个方面，还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一项所述的批处理设备调度方法的步骤。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，更能够更好地理解本发明的上述特征和优点。
图1是根据本发明的一个方面绘示的一实施例中的批处理设备调度方法的流程示意图；
图2是根据本发明的一个方面绘示的一实施例中的批处理设备调度方法的部分流程示意图；
图3是根据本发明的一个方面绘示的一实施例中的批处理设备调度方法的部分流程示意图；
图4是根据本发明的一个方面绘示的一实施例中的批处理设备调度方法的部分流程示意图；
图5是根据本发明的一个方面绘示的一实施例中的一染色体结构示意图；
图6是根据本发明的一个方面绘示的一实施例中的批处理设备调度方法的部分流程示意图；
图7是根据本发明的一个方面绘示的一实施例中的批处理设备调度方法的部分流程示意图；
图8是根据本发明的一个方面绘示的一实施例中的批处理设备调度方法的部分流程示意图；
图9是根据本发明的一个方面绘示的一实施例中的批处理设备调度方法的部分流程示意图；
图10是根据本发明的另一个方面绘示的一实施例中的批处理设备调度装置的示意框图。
具体实施方式
给出以下描述以使得本领域技术人员能够实施和使用本发明并将其结合到具体应用背景中。各种变型、以及在不同应用中的各种使用对于本领域技术人员将是容易显见的，并且本文定义的一般性原理可适用于较宽范围的实施例。由此，本发明并不限于本文中给出的实施例，而是应被授予与本文中公开的原理和新颖性特征相一致的最广义的范围。
在以下详细描述中，阐述了许多特定细节以提供对本发明的更透彻理解。然而，对于本领域技术人员显而易见的是，本发明的实践可不必局限于这些具体细节。换言之，公知的结构和器件以框图形式示出而没有详细显示，以避免模糊本发明。
请读者注意与本说明书同时提交的且对公众查阅本说明书开放的所有文件及文献，且所有这样的文件及文献的内容以参考方式并入本文。除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。
而且，权利要求中未明确表示用于执行特定功能的装置、或用于执行特定功能的步骤的任意组件皆不应被理解为如35USC第112章节第6段中所规定的装置或步骤条款。特别地，在此处的权利要求中使用“…的步骤”或“…的动作”并不表示涉及35USC§112第6段的规定。
注意，在使用到的情况下，标志左、右、前、后、顶、底、正、反、顺时针和逆时针仅仅是出于方便的目的所使用的，而并不暗示任何具体的固定方向。事实上，它们被用于反映对象的各个部分之间的相对位置和/或方向。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
注意，在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
根据本发明的一个方面，提供了一种批处理设备调度方法，特别适用于半导体生产线上的批处理设备群的调度。
炉管设备是半导体芯片制造过程中用到的一类关键设备，主要用于薄膜形成和杂质掺入等扩散工艺过程。为便于本领域的技术人员理解本发明的技术构思，本发明将以华力公司的12英寸半导体生产线上氧化工艺的炉管设备为例对批处理设备的调度过程进行示例性说明。
在一实施例中，如图1所示，批处理设备调度方法100包括步骤S110-S120。
其中，步骤S110为：基于所述多台批处理设备和所述工件的多个调度目标建立调度模型，所述多个调度目标包括所述满足多种工件的交货期、提高所述批处理设备的产能利用率和批次大小以及降低工件的生产周期。
交货期是指将工件完成加工后交付的日期。
产能利用率是指总产出对生产设备的比率，就是实际生产能力到底有多少在运转发挥生产作用。
工件的生产周期包括等待作业时间和作业时间。
现有的炉管区域的调度方法分为批组合和批调度两个步骤。批组合是使用某种调度规则在相同工艺参数的工件中与不同加工类型的工件之间形成一个或多个组批。批调度则是对所有在批组合步骤中形成的组批进行排序，并选取相应的空闲机台和最优的组批进行批处理加工。
那么，若要实现批处理设备的合理化生产调度，需要将调度过程中的批组合和批调度两个步骤统筹考量，即将最终调度结果的整体优劣作为衡量调度方案的标准。为此，结合批处理设备的生产特性和生产需求，设定了满足多种产品的不同交货期、提高批处理设备的产能利用率和批次大小以及降低产品即工件的生成周期三个调度目标。
然而，该三个调度目标相互之间是相互制约的。在实现某一调度目标的绝对最优时，无疑需要牺牲其他调度目标。因此，最优调度方案的确立实际上是寻求三个调度目标的综合最优。
具体地，为满足多种产品的不同交货期，可通过CR(Critical Ratio，关键比值法)分级管控。对于优先级高的工件，最小化考虑设备的产能利用率，必须在规定时间内完成对优先级高的工件的作业；对于优先级低的工件，则最大化考虑设备的产能利用率和整体所有工件的生产周期。
为提高设备产能利用率和批次大小，设备所能加工的批次中包含的工件数设置有上限值和下限值。上限值决定一个批次的最大工件数量，通常由批处理设备的属性决定；下限值决定一个批次的最少工件数量，下限值的大小与设备填充率和产能利用率相关，因此可根据实际生产线状况进行设置，并可根据实际情况动态调整。
为降低产品生产周期，可最大化保证批处理设备的工件批次大小即每批次作业的产品数量尽可能满上限，可降低产品总体作业时间，但可能会导致产品等待加工的时间增加；相反，保证产品的等待时间最短则可能导致作业时间的增加。
因此，产品生产周期是以上所有调度目标的最终载体。在建立调度模型时，可将降低产品生产周期作为目标函数，即该调度模型的目标是求解最小生产周期。
结合批处理设备加工的高产能设计、分条件组批作业、作业时间长、可实现双批次预约作业等几方面特性以及上述分析，可确定调度模型的各项约束条件，分别描述如下：
(1)每一工件的作业时间与其在每一台设备上的作业时间相等；
(2)相同条件的工件可以组批；
(3)同一批次中的工件同时在一台设备上作业；
(4)一批工件已经作业，则不能中断，批次信息不能更改；
(5)每一批次中的工件数量有最大限制和最小限制，其中，最大值有设备最大容量决定，最小值由生产要求决定，均为给定值；
(6)任意批次在任意台设备上的作业时间等该批次中的所有工件的作业时间的最大值；
(7)任意批次在任意台设备上的开始时间为该批次中的所有工件的达到时间的最大值；
(8)任意批次在任意台设备上的完成时间等于该批次的开始时间和作业时间之和；
(9)紧急度高的工件即优先级高的工件在批处理站点的等待时间需要小于一个计算值，该计算值为整条产品生产线的生产周期分摊到每一站点的可用时间减去标准作业时间；
(10)决策变量。
则，建立出的调度模型的约束条件包括：
其中，J为工件总数，j为所有工件中的任意一个工件，Cj为任意工件j的作业时间，aj为任意工件j的到达批处理站点的时间，Rj为任意工件j的工艺条件，B为批次总数，b为所有批次中的任意一组批次，Cb为任意批次b的作业时间，Cjb为任意工件j在任意批次b的作业时间，Rb为任意批次b的工艺条件，Rjb为任意工件j在任意批次b中的工艺条件，Bmax为每一批次的工件数量最大值，Bmin为每一批次的工件数量最小值，M为批处理设备总数，m为所有批处理设备中的任意一台批处理设备，Cbm为第b批次在第m台批处理设备上的作业时间，Fbm为第b批次在第m台批处理设备上的完成时间，Abm为第b批次在第m台批处理设备上的开始时间，WTj为工件j的等待时间，PHLj为当前产品线j的光刻层数，DPMLj为根据工件j的出货目标确定的每一层的允许光刻时间，PTj为产品j的标准作业时间，CRj为工件j的优先级，Xjb和Ybm为决策变量。
为便于理解，对上述多个约束条件进行说明。其中，式(1)限定了同一个工件只能被分配到一个批次中；式(2)表示每一个批次只能分配到一台设备进行作业；式(3)表示每一批次的作业时间为该批次中作业时间最长的工件的作业时间；式(4)表示每一批次中的所有工件的工艺条件相同；式(5)表示每一个批次中的工件数量(Batch Size)在限定范围内；式(6)求解每一台设备上的每一个批次的作业时间；式(7)表示每一台设备上的每一个批次的开始时间大于等于该批中所有工件的到达时间；式(7)表示每一台设备上的每一个批次的开始时间大于等于上一批的完成时间；式(8)表示每一台设备上的每一个批次的结束时间等于该批次的开始时间与作业时间之和；式(9)表示CR值小于1的工件在批处理设备站点的等待时间必须满足DPMLj的出货要求，即小于一个计算值；式(10)和式(11)为决策变量的约束条件，如果工件j被分在第b批次中，则Xjb为1，否则为0；如果第b批次正在第m台设备上被处理，则Ybm为1，否则为0。
同时，调度模型的目标函数为：
F＝minFmax＝min(maxFbm) (13)
调度模型的目标是求解最小生产周期，即求解所有工件的完成时间中的最晚完成时间。
进一步地，步骤S120为：利用遗传算法确定所述调度模型的最优调度方案。
遗传算法(Genetic Algorithm，GA)是由美国密歇根大学的J.Holland教授在1975年创立的。它的灵感来源于达尔文的进化论和孟德尔的遗传学说。通过模拟自然选择和遗传机制的进化论过程，经过多代繁殖，达到基因的优胜劣汰，最终搜索到最优解。
遗传算法的难点在于编码和解码的过程。遗传信息的载体称为染色体，染色体构成遗传算法的候选解，一般使用二进制编码、字符串或数据列等形式呈现。编码化的解被称为基因型解，实际的解如本案中的调度方案被称为表现型解。将表现型解转化为基因型解的过程被称为编码，将基因型解转化为表现型解的过程被称为解码。
则利用遗传算法的求解上述调度模型的最优解的过程可具体包括步骤S121-S123，如图2所示。
步骤S121为：基于工件和多台批处理设备的参数构建初始种群，所述初始种群包括若干染色体，每一染色体对应于一种调度方案。
工件和批处理设备的参数即为上述调度模型中涉及的工件参数和设备参数。
构建初始种群即是生成初始解的过程。由于遗传算法的目的是为了求解上述调度模型的最优解，因此，初始解需要满足上述调度模型。为此，需要基于调度模型的约束条件进行对应的编码设计。
因此，在一具体实施例中，如图3所示，步骤S121可具化为步骤S1211-S1212。
步骤S1211为：设置染色体种群规模。
种群规模是指染色体的数量。种群规模的设定影响着遗传算法的效果，规模较大的情况下，便于遗传操作的组合使用，为算法提供足够多的样本容量，改善遗传算法的搜索结果，得到最优解的几率也相应提高。但规模超过一定的限度，会增加染色体适应度的计算量，降低算法的收敛速度。因此可根据实际需求来设置种群规模。
种群规模一般设定在20～200之间。较优地，种群规模可设置为200。
步骤S1212为：利用双层编码设计基于所述工件和所述多台批处理设备的数量和条件生成所述种群规模数量的染色体以构成所述初始种群，所述双层编码设计符合所述调度模型。
生成初始种群一般可分为两种生成方法。第一种是根据实际问题确定最优解的范围，从该范围内选取和确定种群；第二种是随机生成种群，在随机生成的种群中选取较好的染色体作为初始种群，经过反复迭代，直至获得满足种群规模的初始种群。
针对批处理问题的特点，本发明采用改进的初始种群生成方法即双层编码设计来生成初始种群。具体地，双层编码包括第一层编码和第二层编码。其中，第一层编码对应于批组合结果，第二层编码对应于批调度结果。即采用双层编码设计满足了调度模型统筹考量批组合和批调度的优化目标。
较优地，如图4所示，步骤S1212可包括步骤S410-S420。
其中，步骤S410为：基于所述工件的数量和工艺条件进行第一层编码，所述第一层编码包括多个子层，每一子层对应于一种条件。
子层设计可完整地将实际调度问题转化为数学问题。染色体初始化时，可根据工件数量和条件数量的约束，初始化第一层顺序编码设计。
假设共有j个工件，该j个工件共有m种工艺条件，同种条件可组批，每种条件的的工件数量的为ki个。则第一顺序编码设计的长度为j，分为m层子编码，第i子层的编码长度为ki。基因为1～ki的的一个不重复排序整数列，表示工件的组批优先顺序。
步骤S420为：利用随机函数在所述多台批处理设备的数量和条件约束下初始化所述多个子层和第二层编码。可确保染色体的有效性和随机性。
对应于上述假设，则第二层编码是长度为j的整数编码，基因位为Bmin～Bmax的整数，表示每个工件所在批次的大小。
以一实例来说明上述双层编码设计。设上述假设中的j＝7，m＝3，k1＝2，k2＝3，k3＝2，则一个合法的染色体可如图5所示。
第一层编码对应于工件的访问顺序，三个子层分别对应于工件的三个工艺条件。子层1[2，1]表示第一类条件中工件的顺序为2、1；子层2[3，1，2]表示第二类条件中工件的顺序为3、1、2，依此类推。
第二层编码对应于工件的批次大小，其意义分别为第一批的批次大小为2，第2批的批次大小为2，第3批的批次大小为1，依此类推。
更进一步地，在构建初始种群之前还可包括获取调度模型中的各个参数的步骤。
具体可如图3所示，步骤S121还可包括步骤S1213-1214。
步骤S1213为：读取算例数据以获取调度模型的多个约束条件中的工件参数。
工件参数是指与工件相关的参数，具体包括工件名称、工件的工艺条件、工件的预计达到时间、在批处理设备上的作业时间以及CR等级等上述调度模型中存在的工件的固有参数。该些参数可基于一次生产过程中需要加工的所有工件的数据来获取。一般所有工件的相关参数会存储在excel表格中，则可通过读取excel表格中的算例数据来获取该些参数。
步骤S1214为：设置批处理设备参数。
批处理设备参数是指与批处理设备相关的参数，具体包括设备类型对应的设备数量以及设备可处理批次的上限和下限等批处理设备的固有参数或设定参数。其中，设备可处理批次的上限和下限即Bmin和Bmax值。
进一步地，利用遗传算法求最优解中的步骤S122为：利用遗传算法对所述初始种群进行循环迭代以确定出最优染色体。
遗传算法的迭代过程是对上一代种群进行遗传操作以生产新的种群的过程。完整的循环迭代过程可如图6所示，包括步骤S610-S640。
其中，步骤S610为：设置遗传迭代次数、遗传操作参数以及适应度函数，所述遗传操作参数包括变异概率、交叉概率以及选择方式。
遗传迭代次数对应于染色体种群的遗传代数，可理解为生成新一代染色体的次数。
遗传操作主要包括交叉、变异和选择三种形式。
交叉是模仿自然界有性繁殖的过程，通过染色体片段的互换产生新一代基因。其目的是将优良基因遗传到下一代染色体中，体现信息交换的原则，是改进遗传编码最有效的操作。
变异是对种群中的染色体，以一定的概率随机改变某一个或多个染色体上的基因值产生新染色体的方法。变异可以为选择和交叉过程中丢失的基因特性进行有效地补充。
选择是从当前种群中选择优良个体，直接进入下一代的操作。
根据上述双层编码设计的特性，本发明对于第一层编码中的遗传算子采用两点互异的变异方法和两点交叉法互换染色体片段。较优地，在交叉后，还可取交叉片段的补集重新随机排列到非交叉片段进行染色体修补。进一步地，对于第二层编码中的遗传算子采用单点变异法和两点交叉法来进行遗传操作。
适应度是指单个染色体的性能或对环境的适应程度，它给定了解的搜索方向，直接关系到最终解的质量和搜索效率。适应度函数则是用于求出每一染色体的适应度的函数。适应度一般为正值。以染色体的适应度值越大，则适应度越高，越容易被选择进行下一步遗传操作，产生新一代染色体。对于已经建立好的数学模型，通常直接采用其目标函数作为适应度函数。在多目标优化问题中，首先要将多目标进行归一化操作，转化为单目标问题，或将调度目标体现在约束条件之中。较优地，在炉管设备调度方案确定过程中，可将炉管设备的调度模型的目标函数的倒数设置为适应度函数。
较优地，上述选择操作可采用轮盘赌选择法根据染色体的适应度值进行选择以建立新一轮种群。
轮盘赌选择法也叫适值比例法或蒙特卡罗模型，其基本原理是首先求出所有染色体的适应度之和，每一个染色体被选择的概率即为其适应度占所有染色体适应度的百分比。适应度越高的染色体所占比例越高，被选中的概率就越高，反之则越低，体现了优胜劣汰的自然选择规律。
在遗传算法的初始阶段，至少需要设定种群规模、迭代次数、交叉概率和变异概率。这些参数的取值直接影响遗传算法的搜索效率和解的质量。可通过前期的预备实验等工作来获得该些参数的经验值，并在遗传算法的初始阶段对应于实际问题取各参数的经验值。较优地，在炉管设备调度方案确定过程中，可将种群规模设置为200，迭代次数设置为400，变异概率设置为0.05，交叉概率设置为0.8。
步骤S620为：对所述初始种群进行遗传算法迭代。
在完成初始阶段的参数设置后，即可利用遗传算法进行循环迭代了。
每一迭代过程即为生成新一代种群的过程。每一次迭代的具体步骤可如图7所示，包括步骤S621-S623。
其中，步骤S621为：基于所述变异概率和交叉概率对上一轮遗传算法迭代结果中的染色体执行变异操作和交叉操作以生成新染色体。
具体地，如前所述，根据本发明的双层编码设计，对于染色体的第一层编码，变异操作采用两点互异的变异方法，交叉操作采用两点交叉法；对于第二层编码，变异操作采用单点变异法，交叉操作两点交叉法来进行遗传操作。
较优地，在执行变异操作和交叉操作之前，还可先根据上一轮迭代过程中对每一染色体计算出的适应度值为每一染色体分配适应度值。染色体的适应度越高，则在变异操作和交叉操作中被选中的概率也越高。
步骤S622为：基于所述适应度函数计算每一新染色体的适应度值。
本发明基于批处理设备的调度模型的特性，采用调度模型中的目标函数的倒数作为适应度函数。因此为计算出每一染色体的适应度值，还需要确定出每一染色体具体对应的调度方案的目标函数。具体地，如图8所示，为确定每一新染色体的适应度值，可包括步骤S810-S830。
其中，步骤S810为：根据双层编码设计的规则对每一染色体进行解码以得到所述染色体对应的调度方案。
遗传算法内部的解码过程是内部封闭的，并不会也不需要输出每一染色体的解码结果。具体的解码过程将在步骤S123对最优染色体的解码过程中进行详细说明。
步骤S820为：基于所述调度方案确定所述目标函数值。
根据每一染色体解码后的调度方案确定所有工件的完成中间中的最大完成时间，即被解码的染色体对应的调度方案的生产周期，即该染色体对应的目标函数值。
步骤S830为：基于所述目标函数值和所述适应度函数计算所述染色体的适应度值。
可通过遗传算法工具箱的ranking(排序)函数来实现根据目标函数的值计算适应度值。排序函数的本质是将列表根据目标函数值由大到小进行排序，返回包含对应染色体的压差列向量。其中压差是分配染色体适应度值的差距，体现最好和最坏的差别。可基于压差分辨染色体的优劣，从而进行选择。
进一步地，具体的选择步骤S623为：采用设置的选择方式基于每一新染色体的适应度值对所述新染色体进行选择直到选择出所述种群规模数量的染色体以作为本次遗传算法的迭代结果。
具体地，根据适应度值向量，采用轮盘赌选择法，按照概率随机获取一个染色体，用于建立新一轮种群。直到选择出种群规模数量的染色体后停止选择，本轮迭代结束。
进一步地，步骤S630为：响应于迭代次数达到所述遗传迭代次数，停止遗传算法迭代。
从最后一轮迭代产生的种群中选择出最优染色体。具体地，步骤S640为：将最后一次遗传算法迭代结果中的适应度值最大的染色体作为所述最优染色体。
确定出最优染色体后，则可通过解码确定出该最优染色体对应的调度方案。即步骤S123为：对所述最优染色体进行解码以得到所述最优染色体对应的调度方案以作为所述最优调度方案。
具体地，图9示出了单个染色体的解码过程。如图9所示，解码过程包括步骤S910-S940。
其中，步骤S910为：将染色体的双层编码进行拆分以分别得到所述染色体对应的子层工件顺序和批次大小。
基于双层编码的规则首先将该染色体拆分成第一层基因组和第二层基因组。基于第一层编码规则，进一步将第一层基因组拆分成与工件的工艺条件数量m对应的m层子层。每一子层中包括有序的若干个工艺条件相同的工件，m层子层共包括总数j个工件。基于第二层编码规则，将第二层基因组拆分成批次大小。
以图5所示的染色体为例，其第一层基因组拆分成3个子层，以其子层1为例进行第一基因组解码说明。子层1包括2个工件，假设该2个工件可与该7个工件中的两个工件A和B对应，该工件A和B在该子层1中的编号分别为1、2。则依照子层1的工件顺序[2，1]，则该工件A和B的加工顺序应为先B后A。第二层基因组拆分后结果为：2、2、1……则第一批次的大小为2，第二批次的大小为2，第三批次的大小为1……
步骤S920为：将所述子层工件顺序按照所述批次大小进行对应以形成组批结果。
以图5中的子层1为例进行组批说明。该子层1中的2两个工件的组批结果需要依照第二层基因组拆分出的批次大小来进行对应。第二层基因组被拆分后，第一个基因为2，即第一批的批次大小为2，子层1中刚好包括2个工件，因此子层1中的2个工件A和B组成第一批。可以理解，若子层1中的工件数量超出其对应的批次大小，则该子层1中的工件会依照其加工顺序组成多批。
步骤S930为：根据每一批工件的参数信息，获取每一批工件的开始时间和作业时间。
在前述获取工件参数的步骤中，可获取到每一工件的预计达到时间和作业时间等。再结合前述调度模型的约束条件，每一批的开始时间等于该批次中所有工件的最晚预计达到时间，每一批的作业时间等于该批次中所有工件的最大作业时间。
步骤S940为：依据所述子层工件顺序，基于调度原则对所述组批结果进行作业调度以生成所述染色体对应的调度方案。
依照编码顺序，根据先进先出原则将组批结果进行作业调度。
可以理解，结合每一批次的开始时间和作业时间可确定出该批次的完成时间，基于每一批次的完成时间可确定出各台批处理设备的工作时间和空闲时间，进而为每一台批处理设备分配作业批次。最终可确定出所有批次的完成时间以及所有批处理设备的作业时间等信息。而其中，所有批次的完成时间中的最大值即为目标函数值。
更进一步地，在利用遗传算法确定出最优调度方案后，该批处理设备调度方法还包括：基于确定的最优调度方案调度所有工件至批处理设备进行加工。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
根据本发明的另一个方面，还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一实施例中所述的批处理设备调度方法的步骤。
根据本发明的再一个方面，还提供一种批处理设备调度装置，适用于多台批处理设备的工件的调度，特别适用于半导体生产线上的批处理设备群的调度。
在一实施例中，如图10所示，批处理设备调度装置1000包括存储器1010以及处理器1020。
存储器1010上存储有计算机程序。
处理器1020与存储器1010耦接，用于执行所述存储器1010上的计算机程序。所述处理器被配置成：基于所述多台批处理设备和所述工件的多个调度目标建立调度模型，所述多个调度目标包括所述满足多种工件的交货期、提高所述批处理设备的产能利用率和批次大小以及降低工件的生产周期；以及利用遗传算法确定所述调度模型的最优调度方案。
交货期是指将工件完成加工后交付的日期。
产能利用率是指总产出对生产设备的比率，就是实际生产能力到底有多少在运转发挥生产作用。
工件的生产周期包括等待作业时间和作业时间。
现有的炉管区域的调度方法分为批组合和批调度两个步骤。批组合是使用某种调度规则在相同工艺参数的工件中与不同加工类型的工件之间形成一个或多个组批。批调度则是对所有在批组合步骤中形成的组批进行排序，并选取相应的空闲机台和最优的组批进行批处理加工。
那么，若要实现批处理设备的合理化生产调度，需要将调度过程中的批组合和批调度两个步骤统筹考量，即将最终调度结果的整体优劣作为衡量调度方案的标准。为此，结合批处理设备的生产特性和生产需求，设定了满足多种产品的不同交货期、提高批处理设备的产能利用率和批次大小以及降低产品即工件的生成周期三个调度目标。
然而，该三个调度目标相互之间是相互制约的。在实现某一调度目标的绝对最优时，无疑需要牺牲其他调度目标。因此，最优调度方案的确立实际上是寻求三个调度目标的综合最优。
具体地，为满足多种产品的不同交货期，可通过CR(Critical Ratio，关键比值法)分级管控。对于优先级高的工件，最小化考虑设备的产能利用率，必须在规定时间内完成对优先级高的工件的作业；对于优先级低的工件，则最大化考虑设备的产能利用率和整体所有工件的生产周期。
为提高设备产能利用率和批次大小，设备所能加工的批次中包含的工件数设置有上限值和下限值。上限值决定一个批次的最大工件数量，通常由批处理设备的属性决定；下限值决定一个批次的最少工件数量，下限值的大小与设备填充率和产能利用率相关，因此可根据实际生产线状况进行设置，并可根据实际情况动态调整。
为降低产品生产周期，可最大化保证批处理设备的工件批次大小即每批次作业的产品数量尽可能满上限，可降低产品总体作业时间，但可能会导致产品等待加工的时间增加；相反，保证产品的等待时间最短则可能导致作业时间的增加。
因此，产品生产周期是以上所有调度目标的最终载体。在建立调度模型时，可将降低产品生产周期作为目标函数，即该调度模型的目标是求解最小生产周期。
结合批处理设备加工的高产能设计、分条件组批作业、作业时间长、可实现双批次预约作业等几方面特性以及上述分析，可确定调度模型的各项约束条件，分别描述如下：
(1)每一工件的作业时间与其在每一台设备上的作业时间相等；
(2)相同条件的工件可以组批；
(3)同一批次中的工件同时在一台设备上作业；
(4)一批工件已经作业，则不能中断，批次信息不能更改；
(5)每一批次中的工件数量有最大限制和最小限制，其中，最大值有设备最大容量决定，最小值由生产要求决定，均为给定值；
(6)任意批次在任意台设备上的作业时间等该批次中的所有工件的作业时间的最大值；
(7)任意批次在任意台设备上的开始时间为该批次中的所有工件的达到时间的最大值；
(8)任意批次在任意台设备上的完成时间等于该批次的开始时间和作业时间之和；
(9)紧急度高的工件即优先级高的工件在批处理站点的等待时间需要小于一个计算值，该计算值为整条产品生产线的生产周期分摊到每一站点的可用时间减去标准作业时间；
(10)决策变量。
则，建立出的调度模型的约束条件包括：
其中，J为工件总数，j为所有工件中的任意一个工件，Cj为任意工件j的作业时间，aj为任意工件j的到达批处理站点的时间，Rj为任意工件j的工艺条件，B为批次总数，b为所有批次中的任意一组批次，Cb为任意批次b的作业时间，Cjb为任意工件j在任意批次b的作业时间，Rb为任意批次b的工艺条件，Rjb为任意工件j在任意批次b中的工艺条件，Bmax为每一批次的工件数量最大值，Bmin为每一批次的工件数量最小值，M为批处理设备总数，m为所有批处理设备中的任意一台批处理设备，Cbm为第b批次在第m台批处理设备上的作业时间，Fbm为第b批次在第m台批处理设备上的完成时间，Abm为第b批次在第m台批处理设备上的开始时间，WTj为工件j的等待时间，PHLj为当前产品线j的光刻层数，DPMLj为根据工件j的出货目标确定的每一层的允许光刻时间，PTj为产品j的标准作业时间，CRj为工件j的优先级，Xjb和Ybm为决策变量。
为便于理解，对上述多个约束条件进行说明。其中，式(1)限定了同一个工件只能被分配到一个批次中；式(2)表示每一个批次只能分配到一台设备进行作业；式(3)表示每一批次的作业时间为该批次中作业时间最长的工件的作业时间；式(4)表示每一批次中的所有工件的工艺条件相同；式(5)表示每一个批次中的工件数量(Batch Size)在限定范围内；式(6)求解每一台设备上的每一个批次的作业时间；式(7)表示每一台设备上的每一个批次的开始时间大于等于该批中所有工件的到达时间；式(7)表示每一台设备上的每一个批次的开始时间大于等于上一批的完成时间；式(8)表示每一台设备上的每一个批次的结束时间等于该批次的开始时间与作业时间之和；式(9)表示CR值小于1的工件在批处理设备站点的等待时间必须满足DPMLj的出货要求，即小于一个计算值；式(10)和式(11)为决策变量的约束条件，如果工件j被分在第b批次中，则Xjb为1，否则为0；如果第b批次正在第m台设备上被处理，则Ybm为1，否则为0。
同时，调度模型的目标函数为：
F＝minFmax＝min(maxFbm) (13)
调度模型的目标是求解最小生产周期，即求解所有工件的完成时间中的最晚完成时间。
进一步地，步骤S120为：利用遗传算法确定所述调度模型的最优调度方案。
遗传算法(Genetic Algorithm，GA)是由美国密歇根大学的J.Holland教授在1975年创立的。它的灵感来源于达尔文的进化论和孟德尔的遗传学说。通过模拟自然选择和遗传机制的进化论过程，经过多代繁殖，达到基因的优胜劣汰，最终搜索到最优解。
遗传算法的难点在于编码和解码的过程。遗传信息的载体称为染色体，染色体构成遗传算法的候选解，一般使用二进制编码、字符串或数据列等形式呈现。编码化的解被称为基因型解，实际的解如本案中的调度方案被称为表现型解。将表现型解转化为基因型解的过程被称为编码，将基因型解转化为表现型解的过程被称为解码。
则，为实现利用遗传算法的求解上述调度模型的最优解的过程，所述处理器1020进一步被配置成：基于工件和多台批处理设备的参数构建初始种群，所述初始种群包括若干染色体，每一染色体对应于一种调度方案；利用遗传算法对所述初始种群进行循环迭代以确定出最优染色体；以及对所述最优染色体进行解码以得到所述最优染色体对应的调度方案以作为所述最优调度方案。
工件和批处理设备的参数即为上述调度模型中涉及的工件参数和设备参数。
构建初始种群即是生成初始解的过程。由于遗传算法的目的是为了求解上述调度模型的最优解，因此，初始解需要满足上述调度模型。为此，需要基于调度模型的约束条件进行对应的编码设计。
因此，为构建初始种群，所述处理器1020进一步被配置成：设置染色体种群规模；以及利用双层编码设计基于所述工件和所述多台批处理设备的数量和条件生成所述种群规模数量的染色体以构成所述初始种群，所述双层编码设计符合所述调度模型。
种群规模是指染色体的数量。种群规模的设定影响着遗传算法的效果，规模较大的情况下，便于遗传操作的组合使用，为算法提供足够多的样本容量，改善遗传算法的搜索结果，得到最优解的几率也相应提高。但规模超过一定的限度，会增加染色体适应度的计算量，降低算法的收敛速度。因此可根据实际需求来设置种群规模。
种群规模一般设定在20～200之间。较优地，种群规模可设置为200。
生成初始种群一般可分为两种生成方法。第一种是根据实际问题确定最优解的范围，从该范围内选取和确定种群；第二种是随机生成种群，在随机生成的种群中选取较好的染色体作为初始种群，经过反复迭代，直至获得满足种群规模的初始种群。
针对批处理问题的特点，本发明采用改进的初始种群生成方法即双层编码设计来生成初始种群。具体地，双层编码包括第一层编码和第二层编码。其中，第一层编码对应于批组合结果，第二层编码对应于批调度结果。即采用双层编码设计满足了调度模型统筹考量批组合和批调度的优化目标。
较优地，所述处理器1020进一步被配置成：基于所述工件的数量和工艺条件进行第一层编码，所述第一层编码包括多个子层，每一子层对应于一种条件；以及利用随机函数在所述多台批处理设备的数量和条件约束下初始化所述多个子层和第二层编码。
子层设计可完整地将实际调度问题转化为数学问题。染色体初始化时，可根据工件数量和条件数量的约束，初始化第一层顺序编码设计。
假设共有j个工件，该j个工件共有m种工艺条件，同种条件可组批，每种条件的的工件数量的为ki个。则第一顺序编码设计的长度为j，分为m层子编码，第i子层的编码长度为ki。基因为1～ki的的一个不重复排序整数列，表示工件的组批优先顺序。
对应于上述假设，则第二层编码是长度为j的整数编码，基因位为Bmin～Bmax的整数，表示每个工件所在批次的大小。
以一实例来说明上述双层编码设计。设上述假设中的j＝7，m＝3，k1＝2，k2＝3，k3＝2，则一个合法的染色体可如图5所示。
第一层编码对应于工件的访问顺序，三个子层分别对应于工件的三个工艺条件。子层1[2，1]表示第一类条件中工件的顺序为2、1；子层2[3，1，2]表示第二类条件中工件的顺序为3、1、2，依此类推。
第二层编码对应于工件的批次大小，其意义分别为第一批的批次大小为2，第2批的批次大小为2，第3批的批次大小为1，依此类推。
更进一步地，在构建初始种群之前还可需要获取调度模型中的各个参数，所述处理器1020进一步被配置成：读取算例数据以获取调度模型的多个约束条件中的工件参数；以及设置批处理设备参数。
工件参数是指与工件相关的参数，具体包括工件名称、工件的工艺条件、工件的预计达到时间、在批处理设备上的作业时间以及CR等级等上述调度模型中存在的工件的固有参数。该些参数可基于一次生产过程中需要加工的所有工件的数据来获取。一般所有工件的相关参数会存储在excel表格中，则可通过读取excel表格中的算例数据来获取该些参数。
批处理设备参数是指与批处理设备相关的参数，具体包括设备类型对应的设备数量以及设备可处理批次的上限和下限等批处理设备的固有参数或设定参数。其中，设备可处理批次的上限和下限即Bmin和Bmax值。
进一步地，遗传算法的迭代过程是对上一代种群进行遗传操作以生产新的种群的过程。对应地，所述处理器1020进一步被配置成：设置遗传迭代次数、遗传操作参数以及适应度函数，所述遗传操作参数包括变异概率、交叉概率以及选择方式；对所述初始种群进行遗传算法迭代；响应于迭代次数达到所述遗传迭代次数，停止遗传算法迭代；以及将最后一次遗传算法迭代结果中的适应度值最大的染色体作为所述最优染色体。
遗传迭代次数对应于染色体种群的遗传代数，可理解为生成新一代染色体的次数。
遗传操作主要包括交叉、变异和选择三种形式。
交叉是模仿自然界有性繁殖的过程，通过染色体片段的互换产生新一代基因。其目的是将优良基因遗传到下一代染色体中，体现信息交换的原则，是改进遗传编码最有效的操作。
变异是对种群中的染色体，以一定的概率随机改变某一个或多个染色体上的基因值产生新染色体的方法。变异可以为选择和交叉过程中丢失的基因特性进行有效地补充。
选择是从当前种群中选择优良个体，直接进入下一代的操作。
根据上述双层编码设计的特性，本发明对于第一层编码中的遗传算子采用两点互异的变异方法和两点交叉法互换染色体片段。较优地，在交叉后，还可取交叉片段的补集重新随机排列到非交叉片段进行染色体修补。进一步地，对于第二层编码中的遗传算子采用单点变异法和两点交叉法来进行遗传操作。
适应度是指单个染色体的性能或对环境的适应程度，它给定了解的搜索方向，直接关系到最终解的质量和搜索效率。适应度函数则是用于求出每一染色体的适应度的函数。适应度一般为正值。以染色体的适应度值越大，则适应度越高，越容易被选择进行下一步遗传操作，产生新一代染色体。对于已经建立好的数学模型，通常直接采用其目标函数作为适应度函数。在多目标优化问题中，首先要将多目标进行归一化操作，转化为单目标问题，或将调度目标体现在约束条件之中。较优地，在炉管设备调度方案确定过程中，可将炉管设备的调度模型的目标函数的倒数设置为适应度函数。
较优地，上述选择操作可采用轮盘赌选择法根据染色体的适应度值进行选择以建立新一轮种群。
轮盘赌选择法也叫适值比例法或蒙特卡罗模型，其基本原理是首先求出所有染色体的适应度之和，每一个染色体被选择的概率即为其适应度占所有染色体适应度的百分比。适应度越高的染色体所占比例越高，被选中的概率就越高，反之则越低，体现了优胜劣汰的自然选择规律。
在遗传算法的初始阶段，至少需要设定种群规模、迭代次数、交叉概率和变异概率。这些参数的取值直接影响遗传算法的搜索效率和解的质量。可通过前期的预备实验等工作来获得该些参数的经验值，并在遗传算法的初始阶段对应于实际问题取各参数的经验值。较优地，在炉管设备调度方案确定过程中，可将种群规模设置为200，迭代次数设置为400，变异概率设置为0.05，交叉概率设置为0.8。
在完成初始阶段的参数设置后，即可利用遗传算法进行循环迭代了。
每一迭代过程即为生成新一代种群的过程。对应地，所述处理器1020进一步被配置成：基于所述变异概率和交叉概率对上一轮遗传算法迭代结果中的染色体执行变异操作和交叉操作以生成新染色体；基于所述适应度函数计算每一新染色体的适应度值；以及采用设置的选择方式基于每一新染色体的适应度值对所述新染色体进行选择直到选择出所述种群规模数量的染色体以作为本次遗传算法的迭代结果。
具体地，如前所述，根据本发明的双层编码设计，对于染色体的第一层编码，变异操作采用两点互异的变异方法，交叉操作采用两点交叉法；对于第二层编码，变异操作采用单点变异法，交叉操作两点交叉法来进行遗传操作。
较优地，在执行变异操作和交叉操作之前，还可先根据上一轮迭代过程中对每一染色体计算出的适应度值为每一染色体分配适应度值。染色体的适应度越高，则在变异操作和交叉操作中被选中的概率也越高。
本发明基于批处理设备的调度模型的特性，采用调度模型中的目标函数的倒数作为适应度函数。因此为计算出每一染色体的适应度值，还需要确定出每一染色体具体对应的调度方案的目标函数。具体地，为确定每一新染色体的适应度值，所述处理器1020进一步被配置成：根据双层编码设计的规则对每一染色体进行解码以得到所述染色体对应的调度方案；基于所述调度方案确定所述目标函数值；以及基于所述目标函数值和所述适应度函数计算所述染色体的适应度值。
遗传算法内部的迭代过程中的解码过程是内部封闭的，不会也不需要输出每一染色体的解码结果。
根据每一染色体解码后的调度方案确定所有工件的完成中间中的最大完成时间，即被解码的染色体对应的调度方案的生产周期，即该染色体对应的目标函数值。
可通过遗传算法工具箱的ranking(排序)函数来实现根据目标函数的值计算适应度值。排序函数的本质是将列表根据目标函数值由大到小进行排序，返回包含对应染色体的压差列向量。其中压差是分配染色体适应度值的差距，体现最好和最坏的差别。可基于压差分辨染色体的优劣，从而进行选择。
进一步地，根据适应度值向量，采用轮盘赌选择法，按照概率随机获取一个染色体，用于建立新一轮种群。直到选择出种群规模数量的染色体后停止选择，本轮迭代结束。
进一步地，从最后一轮迭代产生的种群中选择出最优染色体。
确定出最优染色体后，则可通过解码确定出该最优染色体对应的调度方案。
为实现对单个染色体的解码，所述处理器1020进一步被配置成：将染色体的双层编码进行拆分以分别得到所述染色体对应的子层工件顺序和批次大小；将所述子层工件顺序按照所述批次大小进行对应以形成组批结果；根据每一批工件的参数信息，获取每一批工件的开始时间和作业时间；以及依据所述子层工件顺序，基于调度原则对所述组批结果进行作业调度以生成所述染色体对应的调度方案。
基于双层编码的规则首先将该染色体拆分成第一层基因组和第二层基因组。基于第一层编码规则，进一步将第一层基因组拆分成与工件的工艺条件数量m对应的m层子层。每一子层中包括有序的若干个工艺条件相同的工件，m层子层共包括总数j个工件。基于第二层编码规则，将第二层基因组拆分成批次大小。
以图5所示的染色体为例，其第一层基因组拆分成3个子层，以其子层1为例进行第一基因组解码说明。子层1包括2个工件，假设该2个工件可与该7个工件中的两个工件A和B对应，该工件A和B在该子层1中的编号分别为1、2。则依照子层1的工件顺序[2，1]，则该工件A和B的加工顺序应为先B后A。第二层基因组拆分后结果为：2、2、1……则第一批次的大小为2，第二批次的大小为2，第三批次的大小为1……
以图5中的子层1为例进行组批说明。该子层1中的2两个工件的组批结果需要依照第二层基因组拆分出的批次大小来进行对应。第二层基因组被拆分后，第一个基因为2，即第一批的批次大小为2，子层1中刚好包括2个工件，因此子层1中的2个工件A和B组成第一批。可以理解，若子层1中的工件数量超出其对应的批次大小，则该子层1中的工件会依照其加工顺序组成多批。
在前述获取工件参数的步骤中，可获取到每一工件的预计达到时间和作业时间等。再结合前述调度模型的约束条件，每一批的开始时间等于该批次中所有工件的最晚预计达到时间，每一批的作业时间等于该批次中所有工件的最大作业时间。
依照编码顺序，根据先进先出原则将组批结果进行作业调度。
可以理解，结合每一批次的开始时间和作业时间可确定出该批次的完成时间，基于每一批次的完成时间可确定出各台批处理设备的工作时间和空闲时间，进而为每一台批处理设备分配作业批次。最终可确定出所有批次的完成时间以及所有批处理设备的作业时间等信息。而其中，所有批次的完成时间中的最大值即为目标函数值。
更进一步地，在利用遗传算法确定出最优调度方案后，所述处理器1020还被配置成：基于确定的最优调度方案调度所有工件至批处理设备进行加工。
本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体***的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供之前的描述是为了使本领域中的任何技术人员均能够实践本文中所描述的各种方面。但是应该理解，本发明的保护范围应当以所附权利要求书为准，而不应被限定于以上所解说实施例的具体结构和组件。本领域技术人员在本发明的精神和范围内，可以对各实施例进行各种变动和修改，这些变动和修改也落在本发明的保护范围之内。

Claims (13)

1.一种批处理设备调度方法，适用于多台批处理设备的工件的调度，所述批处理设备调度方法包括：
基于所述多台批处理设备和所述工件的多个调度目标建立调度模型，所述多个调度目标包括满足所述工件的交货期、提高批处理设备的产能利用率和批次大小以及降低所述工件的生产周期；
利用遗传算法确定所述调度模型的最优调度方案；以及
基于所述最优调度方案调度所述工件至所述多台批处理设备进行加工；
其中，所述利用遗传算法确定调度模型的最优调度方案包括：
基于所述工件和所述多台批处理设备的参数构建初始种群，所述初始种群包括若干染色体，每一染色体对应于一种满足所述调度模型的调度方案；
利用遗传算法对所述初始种群进行循环迭代以确定出最优染色体；以及
对所述最优染色体进行解码以得到所述最优染色体对应的调度方案以作为所述最优调度方案；
其中，所述基于工件和多台批处理设备的参数构建初始种群包括：
设置染色体种群规模；以及
利用双层编码设计基于所述工件和所述多台批处理设备的参数生成种群规模数量的染色体以构成所述初始种群，所述双层编码设计符合所述调度模型；
所述双层编码设计包括：
基于所述工件的数量和条件进行第一层编码，所述第一层编码包括多个子层，每一子层对应于一种条件；以及
利用随机函数在所述多台批处理设备的数量和条件约束下初始化所述多个子层和第二层编码，所述第二层编码对应于所述工件的批次大小。
2.如权利要求1所述的批处理设备调度方法，其特征在于，所述基于工件和多台批处理设备的参数构建初始种群还包括：
读取算例数据以获取工件参数；以及
设置批处理设备参数。
3.如权利要求1所述的批处理设备调度方法，其特征在于，所述利用遗传算法对初始种群进行循环迭代以确定出最优染色体包括：
设置遗传迭代次数、遗传操作参数以及适应度函数，所述遗传操作参数包括变异概率、交叉概率以及选择方式；
对所述初始种群进行遗传算法迭代；
响应于迭代次数达到所述遗传迭代次数，停止遗传算法迭代；以及
将最后一次遗传算法迭代结果中的适应度值最大的染色体作为所述最优染色体，所述适应度值为所述染色体对应于所述适应度函数的数值。
4.如权利要求3所述的批处理设备调度方法，其特征在于，每次遗传算法迭代包括：
基于所述变异概率和交叉概率对上一轮遗传算法迭代结果中的染色体执行变异操作和交叉操作以生成新染色体；
基于所述适应度函数计算每一新染色体的适应度值；以及
采用所述选择方式基于每一新染色体的适应度值对所述新染色体进行选择直到选择出所述种群规模数量的染色体作为本次遗传算法迭代结果。
5.如权利要求4所述的批处理设备调度方法，其特征在于，
所述设置适应度函数包括：
基于所述调度模型的目标函数设置所述适应度函数；以及
所述基于所述适应度函数计算每一新染色体的适应度值包括：
根据双层编码设计的规则对每一染色体进行解码以得到所述染色体对应的调度方案；
基于所述调度方案确定所述目标函数的值；以及
基于所述目标函数的值和所述适应度函数计算所述染色体的适应度值。
6.如权利要求1或5所述的批处理设备调度方法，其特征在于，所述目标函数与所述调度方案的完工时间有关，所述对最优染色体进行解码以得到所述最优染色体对应的调度方案包括：
将所述染色体的双层编码进行拆分以分别得到所述染色体对应的子层工件顺序和批次大小；
将所述子层工件顺序按照所述批次大小进行对应以形成组批结果；
根据每一批工件的参数信息，获取每一批工件的开始时间和作业时间；以及
依据所述子层工件顺序，基于调度原则对所述组批结果进行作业调度以生成所述染色体对应的调度方案。
7.一种批处理设备调度装置，适用于多台批处理设备的工件的调度，所述批处理设备调度装置包括：
存储器；以及
与所述存储器耦接的处理器，所述处理器被配置成：
基于所述多台批处理设备和所述工件的多个调度目标建立调度模型，所述多个调度目标包括满足所述工件的交货期、提高批处理设备的产能利用率和批次大小以及降低所述工件的生产周期；
利用遗传算法确定所述调度模型的最优调度方案；以及
基于所述最优调度方案调度所述工件至所述多台批处理设备进行加工；
其中，所述处理器进一步被配置成：
基于所述工件和所述多台批处理设备的参数构建初始种群，所述初始种群包括若干染色体，每一染色体对应于一种满足所述调度模型的调度方案；
利用遗传算法对所述初始种群进行循环迭代以确定出最优染色体；以及
对所述最优染色体进行解码以得到所述最优染色体对应的调度方案以作为所述最优调度方案；
其中，所述处理器进一步被配置成：
设置染色体种群规模；以及
利用双层编码设计基于所述工件和所述多台批处理设备的参数生成种群规模数量的染色体以构成所述初始种群，所述双层编码设计符合所述调度模型；
其中，所述处理器进一步被配置成：
基于所述工件的数量和条件进行第一层编码，所述第一层编码包括多个子层，每一子层对应于一种条件；以及
利用随机函数在所述多台批处理设备的数量和条件约束下初始化所述多个子层和第二层编码，所述第二层编码对应于所述工件的批次大小。
8.如权利要求7所述的批处理设备调度装置，其特征在于，所述处理器进一步被配置成：
读取算例数据以获取工件参数；以及
设置批处理设备参数。
9.如权利要求7所述的批处理设备调度装置，其特征在于，所述处理器进一步被配置成：
设置遗传迭代次数、遗传操作参数以及适应度函数，所述遗传操作参数包括变异概率、交叉概率以及选择方式；
对所述初始种群进行遗传算法迭代；
响应于迭代次数达到所述遗传迭代次数，停止遗传算法迭代；以及
将最后一次遗传算法迭代结果中的适应度值最大的染色体作为所述最优染色体，所述适应度值为所述染色体对应于所述适应度函数的数值。
10.如权利要求9所述的批处理设备调度装置，其特征在于，所述处理器进一步被配置成：
基于所述变异概率和交叉概率对上一轮遗传算法迭代结果中的染色体执行变异操作和交叉操作以生成新染色体；
基于所述适应度函数计算每一新染色体的适应度值；以及
采用所述选择方式基于每一新染色体的适应度值对所述新染色体进行选择直到选择出所述种群规模数量的染色体作为本次遗传算法迭代结果。
11.如权利要求10所述的批处理设备调度装置，其特征在于，所述处理器进一步被配置成：
基于所述调度模型的目标函数设置所述适应度函数；
根据双层编码设计的规则对每一染色体进行解码以得到所述染色体对应的调度方案；
基于所述调度方案确定所述目标函数的值；以及
基于所述目标函数的值和所述适应度函数计算所述染色体的适应度值。
12.如权利要求7或11所述的批处理设备调度装置，其特征在于，所述目标函数与所述调度方案的完工时间有关，所述处理器进一步被配置成：
将所述染色体的双层编码进行拆分以分别得到所述染色体对应的子层工件顺序和批次大小；
将所述子层工件顺序按照所述批次大小进行对应以形成组批结果；
根据每一批工件的参数信息，获取每一批工件的开始时间和作业时间；以及
依据所述子层工件顺序，基于调度原则对所述组批结果进行作业调度以生成所述染色体对应的调度方案。
13.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1～6中任一项所述的批处理设备调度方法的步骤。
CN202010345145.0A 2020-04-27 2020-04-27 一种批处理设备调度方法及其装置 Active CN111507641B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010345145.0A CN111507641B (zh) 2020-04-27 2020-04-27 一种批处理设备调度方法及其装置
US17/185,447 US20210335639A1 (en) 2020-04-27 2021-02-25 Scheduling method and device for batch processing machine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010345145.0A CN111507641B (zh) 2020-04-27 2020-04-27 一种批处理设备调度方法及其装置

Publications (2)

Publication Number Publication Date
CN111507641A CN111507641A (zh) 2020-08-07
CN111507641B true CN111507641B (zh) 2024-04-16

Family

ID=71876441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010345145.0A Active CN111507641B (zh) 2020-04-27 2020-04-27 一种批处理设备调度方法及其装置

Country Status (2)

Country Link
US (1) US20210335639A1 (zh)
CN (1) CN111507641B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7456298B2 (ja) * 2020-06-04 2024-03-27 富士通株式会社 最適化装置、最適化方法、及び最適化プログラム
CN112286152B (zh) * 2020-10-28 2021-12-03 山东师范大学 具有批量交付约束的分布式流水车间调度方法及***
CN113610332B (zh) * 2020-12-08 2024-05-14 联芯集成电路制造(厦门)有限公司 工艺调度方法及其工艺调度***
CN112926757A (zh) * 2021-03-30 2021-06-08 上海华力微电子有限公司 一种关键批次产品的调度实现方法及***
TWI802064B (zh) * 2021-10-28 2023-05-11 財團法人工業技術研究院 為工作站篩選派工規則的電子裝置和方法
CN116072567A (zh) * 2021-11-04 2023-05-05 长鑫存储技术有限公司 控制半导体设备分配顺序的方法及其装置
CN114745310B (zh) * 2022-03-31 2024-01-12 工银科技有限公司 基于遗传算法的流量阈值的确定方法及装置
CN114997532B (zh) * 2022-07-29 2023-02-03 江苏新视云科技股份有限公司 不确定性环境下民事电话送达调度方法、终端及存储介质
CN115564146B (zh) * 2022-11-18 2023-04-07 吉林大学 一种以改进的粒子群算法为内核的分组车间作业调度方法
CN115758788B (zh) * 2022-11-30 2023-08-22 南通大学 一种基于Petri网建模的柔性制造***的加工时间计算方法
CN115982268A (zh) * 2022-12-13 2023-04-18 航天科工空天动力研究院(苏州)有限责任公司 一种生产综合管理看板***
CN116342197B (zh) * 2023-01-05 2023-11-14 上海朗晖慧科技术有限公司 一种结合地理位置信息的实时价格方案生成方法
CN116542504B (zh) * 2023-07-07 2023-09-22 合肥喆塔科技有限公司 参数自适应的半导体工件生产调度方法、设备及存储介质
CN117252114B (zh) * 2023-11-17 2024-02-13 湖南华菱线缆股份有限公司 一种基于遗传算法的电缆耐扭转实验方法
CN117332991B (zh) * 2023-11-24 2024-03-19 国网天津市电力公司电力科学研究院 一种基于综合能源需求的***能效优化方法及装置
CN117314127B (zh) * 2023-11-29 2024-03-12 武汉爱科软件技术股份有限公司 一种混合遗传禁忌搜索算法的生产计划和排产方法
CN117555305B (zh) * 2024-01-11 2024-03-29 吉林大学 一种基于nsgaii的多目标可变子批柔性车间作业调度方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW583560B (en) * 2002-03-01 2004-04-11 Li-Chen Fu Modeling and scheduling of a semiconductor wafer fab
TW201030483A (en) * 2009-02-11 2010-08-16 Inotera Memories Inc A method for planning manufacturing process
CN102354311A (zh) * 2011-09-09 2012-02-15 河海大学常州校区 面向大批量定制的可重构装配线平衡方法
CN105320105A (zh) * 2014-08-04 2016-02-10 中国科学院沈阳自动化研究所 一种并行批加工设备优化调度方法
CN105550751A (zh) * 2015-12-15 2016-05-04 重庆大学 利用优先级策略混合遗传算法的炼钢连铸生产调度方法
CN106611232A (zh) * 2016-02-04 2017-05-03 四川用联信息技术有限公司 一种求解多工艺路线作业车间调度的分层优化算法
CN106971236A (zh) * 2017-02-20 2017-07-21 上海大学 一种基于遗传算法的柔性作业车间分批调度方法
CN107301473A (zh) * 2017-06-12 2017-10-27 合肥工业大学 基于改进遗传算法的同类平行机批调度方法及***
CN107862411A (zh) * 2017-11-09 2018-03-30 西南交通大学 一种大规模柔性作业车间调度优化方法
CN109765862A (zh) * 2018-12-26 2019-05-17 同济大学 基于自适应遗传算法的混合流水车间可持续调度控制方法
CN110046777A (zh) * 2018-01-17 2019-07-23 北京理工大学 一种柔性作业车间持续重构调度方法及装置
CN110619437A (zh) * 2019-09-20 2019-12-27 国网江苏省电力有限公司电力科学研究院 一种低能耗柔性作业车间调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170116522A1 (en) * 2015-10-05 2017-04-27 Telekom Malaysia Berhad Method For Task Scheduling And Resources Allocation And System Thereof

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW583560B (en) * 2002-03-01 2004-04-11 Li-Chen Fu Modeling and scheduling of a semiconductor wafer fab
TW201030483A (en) * 2009-02-11 2010-08-16 Inotera Memories Inc A method for planning manufacturing process
CN102354311A (zh) * 2011-09-09 2012-02-15 河海大学常州校区 面向大批量定制的可重构装配线平衡方法
CN105320105A (zh) * 2014-08-04 2016-02-10 中国科学院沈阳自动化研究所 一种并行批加工设备优化调度方法
CN105550751A (zh) * 2015-12-15 2016-05-04 重庆大学 利用优先级策略混合遗传算法的炼钢连铸生产调度方法
CN106611232A (zh) * 2016-02-04 2017-05-03 四川用联信息技术有限公司 一种求解多工艺路线作业车间调度的分层优化算法
CN106971236A (zh) * 2017-02-20 2017-07-21 上海大学 一种基于遗传算法的柔性作业车间分批调度方法
CN107301473A (zh) * 2017-06-12 2017-10-27 合肥工业大学 基于改进遗传算法的同类平行机批调度方法及***
CN107862411A (zh) * 2017-11-09 2018-03-30 西南交通大学 一种大规模柔性作业车间调度优化方法
CN110046777A (zh) * 2018-01-17 2019-07-23 北京理工大学 一种柔性作业车间持续重构调度方法及装置
CN109765862A (zh) * 2018-12-26 2019-05-17 同济大学 基于自适应遗传算法的混合流水车间可持续调度控制方法
CN110619437A (zh) * 2019-09-20 2019-12-27 国网江苏省电力有限公司电力科学研究院 一种低能耗柔性作业车间调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于动态分批的柔性流水车间能效化化调度方法研究;梅攀;《中国优秀硕士学位论文全文数据库 信息科技辑》(第01期);第I140-33页 *

Also Published As

Publication number Publication date
CN111507641A (zh) 2020-08-07
US20210335639A1 (en) 2021-10-28

Similar Documents

Publication Publication Date Title
CN111507641B (zh) 一种批处理设备调度方法及其装置
CN108320057B (zh) 一种基于有限制稳定配对策略的柔性作业车间调度方法
Lai et al. Channel assignment through evolutionary optimization
CN111325443B (zh) 一种基于灾变机制的改进遗传算法求解柔性作业车间调度的方法
Zolfaghari et al. Comparative study of simulated annealing, genetic algorithms and tabu search for solving binary and comprehensive machine-grouping problems
CN113379087A (zh) 一种基于改进遗传算法的生产制造排产优化方法
CN111382915B (zh) 一种共融agv的柔性作业车间调度方法
CN114186749A (zh) 基于强化学习及遗传算法的柔性车间调度方法及模型
CN113822525B (zh) 基于改进遗传算法的柔性作业车间多目标调度方法及***
CN117075545A (zh) 一种多目标柔性作业车间调度方法、电子设备、介质
CN113361813A (zh) 一种圆晶设备排产***优化调度方法
CN112348323A (zh) 一种多目标的能源供应与作业柔性排程方法
CN115796510A (zh) 一种基于改进的变邻域遗传算法的多目标柔性作业车间调度方法
Chen et al. Production management of hybrid flow shop based on genetic algorithm
CN117314078B (zh) 基于Petri网和神经网络的柔性制造***的无死锁调度方法
CN117077975A (zh) 基于混合初始化模因算法的分布式异构流水车间调度方法
CN116341860A (zh) 一种基于改进nsga-ⅱ算法的车辆调度优化方法
CN116432749A (zh) 一种改进快速非支配排序遗传算法
CN116362495A (zh) 一种基于超启发式多维分布估计的半导体最终测试调度方法
CN115470977A (zh) 基于帝国竞争算法的多目标柔性作业车间分批调度方法
CN115392616A (zh) 一种知识挖掘结合遗传算法的多目标离散车间调度方法
CN110321208B (zh) 一种求解云任务调度的进化计算方法
CN115700647A (zh) 一种基于禁忌搜索遗传算法的车间柔性作业调度方法
CN113359646A (zh) 一种基于多目标的分布式柔性作业车间调度方法
Jamwal et al. A fuzzy based multiobjective optimization of multi echelon supply chain network

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
GR01 Patent grant
GR01 Patent grant