求解半导体最终测试调度问题紧致分布估_计算法_王圣尧_王凌_清华大学.pptVIP

* * * * * * * * * * * * * * 求解半导体最终测试调度问题的 紧致分布估计算法 王圣尧, 王凌 清华大学自动化系 目录 研究背景 问题描述 分布估计算法(EDA) 求解SFTSP的紧致EDA 仿真测试和比较 总结展望 * 研究背景 半导体生产流程 前端流程: 晶圆制造 后端流程: 最终测试 最终测试过程 在集成电路产品完成封装之后进行测试. 确认产品是否达到出厂要求. * 研究背景 半导体最终测试调度问题(SFTSP) 测试设备昂贵, 数量有限. 需要进行有效的调度以提高生产效率. NP难问题. SFTSP 具有学术价值和应用价值. * 问题描述 工件数: n; 机器数: m 工件集合: J = {J1, J2, …, Jn}. 机器集合: M = {M1, M2, …, Mm}. 工件 Ji: 包括ni个操作{Oi,1, Oi,2, ..., Oi,ni} (如: 功能测试、预烧、扫描、烘烤、卷带包装、加载等等). 由于不同产品的性能参数不同, 不同工件的测试步骤和工序数量也不相同. * 问题描述 与传统job-shop相比, SFTSP有如下特性: 多资源性. SFTSP 需要调度更多的资源, 包括测试机、分类机和辅助设备, 并且每个操作需要在正确配置资源的机器上进行测试. 由于价格昂贵, 资源的数量十分有限. 柔性. 对于操作Oi,j,共有mi,j台机器Mi,j ? M可供选择. 因此, 除了操作排序外, 机器分配也是SFTSP的子问题. 带有序列相关的准备时间. 设备的装配和拆卸、温度的改变、软件的下载和调试等都需要与机器序列相关的准备时间. * 数学模型 * 分布估计算法 * Step1: 概率模型初始化 Step2: 采样概率模型产生新种群 Step3: 选择精英个体更新概率模型参数 Step4: 采样产生新种群 Step5: 选择精英个体 编码方式 解码方式 概率模型及更新机制 算法流程 求解SFTSP的cEDA 操作序列向量: 每一位工件号表示该工件的一个操作, 第k次出现的某个工件号表示该工件的第k个操作. 机器分配向量: 每一位机器号表示相应操作对应的测试机器. 编码方式 操作排序问题 SFTSP 机器分配问题 测试顺序: 与操作序列向量相同. 机器分配: 需要考虑多资源性和序列相关的准备时间. 对于某个操作, 按照机器分配向量安排相应的机器, 操作的开始时间为该机器的最早可开始时间. 若机器准备完毕后, 没有足够的资源(测试机、分类机或辅助设备)可用, 则需等到所有资源可用的时刻开始加工.. 实例: 假设资源只允许同时测试两个工件. 解码方式 概率模型 概率矩阵: A1 和 A2. A1: 操作序列矩阵. 元素pij(l)表示工件Jj在操作序列向量的第i位上或之前出现的概率, 从数值上反映不同操作的优先关系.对于优势个体, pij越大, 表示工件Jj在第i位上或之前出现的频率越大, 说明该操作提早执行会提升解的质量. A2: 机器分配矩阵. 元素qijk(l)表示操作Oi,j安排在机器Mk上的概率, 从数值上反应不同机器执行某个操作的适合程度. * 概率矩阵用来描述解空间的分布, 并采样产生新个体. 概率模型 概率矩阵A1 和 A2 按如下方式初始化: 对于所有的i, j, k: 其中 mij 是可操作Oi,j的可行机器数量. * 保证在算法初始阶段解空间被均匀采样. 采样产生新个体 首先产生操作序列向量. 对于待确定的位置 i, 工件 Jj 被选择的概率是 pij. 如果工件 Jj 已经出现 nj (工序数)次, 概率矩阵 A1 的第 j 列的元素全部置零, 表示该工件已完成测试; 另外, 将概率矩阵其它行归一化. 同样, 基于概率矩阵 A2 采样产生机器分配向量. * 紧致思想 紧致遗传算法(cGA, Harik et al. 1999, IEEE TEC) 基于两个个体进化, 学习较优个体信息 参数少 收敛快 易于硬件实现 紧致分布估计算法(cEDA) 每次采样概率模型产生两个个体 更新概率模型参数 * 更新机制 选择目标值最小的个体X作为优势个体, 采用如下增量学习的方法更新概率模型: * 算法流程 * 算法终止条件: 达到设置的最大评价次数. 仿真实验 * 已有算法: GA(ESWA, 2008), bvGA(JIM, 2012) 以及 CEDA(JIM, 2013). 半导体测试实例数据. 参数设置:学习速率α = 0.1, β = 0.3. 结果比较 * 总评价次数: cEDA仅10000, 而CEDA为400000, wcGA 和 bvGA为800000. 算法运行时间(s) 算例