一种半导体生产线动态调度策略自动选择方法

摘要

本发明涉及一种半导体生产线动态调度策略自动选择方法，包括：根据实际半导体生产线获得生产线生产属性集、调度策略集和性能指标集；通过仿真获取采取不同调度策略下的生产线各项性能指标值，并建立样本集；对训练样本集进行训练，获取优化的生产属性子集和SVM训练参数，并形成基于SVM的动态调度规则分类器A*；将测试样本集输入A*，判断基于特征子集调度策略预测精度是否优于全集，若是，则根据获得的特征子集和SVM训练参数对训练样本集S1进行训练，获得最终的动态调度规则分类模型A；向A输入生产线的实时状态信息，动态获取优化的调度策略。与现有技术相比，本发明具有调度实时性好、有利于提高生产效率等优点。

说明书

技术领域

本发明涉及生产自动化调度领域，尤其是涉及一种半导体生产线动态调度策 略自动选择方法。

背景技术

对半导体生产线而言，生产调度问题是其核心问题，合理高效的生产调度是提 高企业效益和市场竞争力的有效途径。对于生产过程调度问题，其寻优的本质是： 在满足生产过程调度问题中的工艺和资源等相关约束条件下，选择最优的调度策 略，以使某个或多个调度性能指标达到最优或较优。

生产过程调度问题的传统优化方法主要包括以下4大类：运筹学方法、启发式 方法、人工智能方法和软计算方法。经过对现有技术的文献检索发现，生产过程调 度优化方法主要围绕上述4类方法展开。在中国专利“基于信息素的用于半导体生 产线的动态调度方法”(授权号CN1734382A)中，吴启迪等提出了一种基于信息 素的用于半导体生产线的动态调度方法，该方法为每个WIP和设备分别存储信息 素变量，然后把多个WIP的信息素变量以及相关设备的信息素变量进行综合以生 成WIP选择变量，比较多个WIP选择变量并选择一个用于在该设备上加工；在中 国专利“应用于多重入复杂制造系统的调度方法”(授权号CN101604409A)中， 曹政才等提出了一种基于人工免疫算法的半导体生产线调度优化方法，该方法以规 则调度为主线，对多种不同的调度规则按照一定的方式进行编码，考虑多个生产线 性能指标构造适应度函数，用免疫方法进行全局搜索来获得最优近似解。

对于半导体调度问题，上述传统优化调度方法往往在实时性和生产性能上难以 平衡，利用启发式规则，调度实时性好，但性能指标无法达到优化；而利用人工智 能，虽然能在性能指标上达到优化，但运算时间长，难以满足生产实时性的要求。 在半导体制造企业中，生产线运行必须要配备制造执行系统(MES)，在MES中 积累了与调度相关的大量历史数据和实时数据，这些数据中隐含了反映实际调度环 境特点及调度知识的大量有效信息，这些信息对决策者实时制定调度策略起到至关 重要的作用。如何利用上述数据提取出这些知识和信息更好地解决实际半导体生产 线的调度问题是一个具有挑战性的难题。

数据挖掘是计算机科学领域一个极具应用价值的研究领域。数据挖掘方法应用 于半导体生产线调度问题，可以在大量离线数据的基础上提取出知识、经验和规则， 为调度决策提供准确、完整的参数条件，形成更为科学有效的调度决策，解决传统 调度方法的不足。

支持向量机算法(SVM)，是一种在解决小样本、非线性及高维模式识别问题 时具有特有优势的数据挖掘分类算法。SVM算法建立在统计学习理论的VC维理 论和结构风险最小原理基础上，通过找出对分类有较好区分能力的支持向量来构造 分类器，从而最大化类间隔，因而该算法得到的分类模型有较好的适应能力和较高 的准确率，且算法复杂度低。相比于其它分类算法，该算法往往能取得较好的泛化 效果。

二进制粒子群算法(BPSO)是粒子群优化算法(PSO)在二进制空间上扩展 形成的。该算法模拟了鸟群觅食过程中的迁徙和群聚行为，通过粒子间的竞争和协 作达到在复杂搜索空间寻找全局最优点的目的，是一种基于群体智能的全局随机搜 索算法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种调度实时性 好、有利于提高生产效率的半导体生产线动态调度策略自动选择方法。

本发明的目的可以通过以下技术方案来实现：

一种半导体生产线动态调度策略自动选择方法，包括以下步骤：

1)根据实际半导体生产线获得生产线生产属性集、调度策略集和性能指标集；

2)建立半导体生产调度仿真模型，根据实际半导体生产线历史状态数据获得 每个状态对应的生产属性值，以生产线历史状态数据和调度策略集中的调度策略为 仿真模型的输入，通过仿真获取采取不同调度策略下的生产线各项性能指标值，比 较得出对应于各性能指标最优的调度策略，建立样本集，包括训练样本集S₁和测 试样本集S₂；

3)采用基于BPSO-SVM的特征选择与分类算法对训练样本集S₁进行训练， 获取优化的生产属性子集和SVM训练参数，并形成基于SVM的动态调度规则分 类器A*；

4)将测试样本集S₂输入动态调度规则分类器A*获取生产调度策略，并判断 基于特征子集的调度策略预测精度是否优于全集，若是，则记录该特征子集和SVM 训练参数，转至步骤5)，若否，则调整生产线历史状态数据，返回步骤2)或调整 训练参数变化范围，返回步骤3)；

5)以步骤4)获得的特征子集和SVM训练参数为SVM分类算法的输入，对 训练样本集S₁进行训练，获得最终用于指导半导体生产线的动态调度规则分类模 型A；

6)向动态调度规则分类模型A输入生产线的实时状态信息，动态获取优化的 调度策略。

所述的生产线生产属性集包括生产线属性和加工区属性；

所述的调度策略集包括基于交货期的调度策略、基于加工周期的调度策略、基 于工件等待时间的调度策略、基于负载均衡的调度策略和混合调度策略；

所述的生产线性能指标集包括在制品水平、生产率、加工周期、设备利用率、 准时交货率、总移动量和平均移动量。

所述的样本集的数据形式为：{F，P，D}，其中，F和D之间的关系可描述为： 即生产线属性F下满足性能P最优的调度规则D。

所述的基于BPSO-SVM的特征选择与分类算法具体为：

31)对生产属性子集和SVM训练参数进行联合编码，粒子采用0-1编码方式， 如下式所示：

$\{p_1,...,p_{n_f}|p_{n_f+1},...,p_{n_f+n_C}|p_{n_f+n_C+1},...,p_{n_f+n_C+n_{\gamma }}\}$

其中，n_f为生产属性个数，前n_f位为生产属性段，粒子的每一位代表一个生 产属性，“1”表示该生产属性被选为特征，“0”表示该生产属性不被选为特征， 粒子表达式中的n_f+1至n_f+n_C、n_f+n_C+1至n_f+n_C+n_γ位分别对应SVM分类算 法参数段C和γ，每一段表达为该参数对应的二进制值，C和γ转换为十进制参数 的公式如下式所示：

$C\left(\mathrm{or\gamma }\right)=\min +\frac{\max -\min }{2^l-1}*d$

其中，max和min为参数对应十进制值的最大值和最小值；l为参数位串的长 度；d为参数位串表示的二进制值对应的十进制值；

32)初始化粒子群，包括种群规模，粒子的位置和速度；

33)对初始化后的二进制粒子进行解码，得到分类所需的生产属性子集和SVM 训练参数，由SVM分类算法得到SVM分类模型，并获得SVM分类模型的调度策 略预测精度，根据生产属性子集的规模和调度策略预测精度计算各粒子的适应度， 适应度函数定义如下：

$\mathrm{Fitness}=w_a*{\mathrm{SVM}}_{\mathrm{Accuracy}}+w_f*{\left(\underset{i=1}{\overset{n_f}{\Sigma }}{p}_i\right)}^{-1}$

其中，w_a表示预测精度的权重，w_f表示特征数目倒数和的权重，p_i为粒子的一个 二进制位，SVM_Accuracy为SVM分类模型的调度策略预测精度，定义如下：

${\mathrm{SVM}}_{\mathrm{Accuracy}}=\frac{N_C}{N_U}$

其中，N_C为测试集中能被正确分类的样本数，N_U为测试样本数；

34)根据粒子适应度计算粒子个体最优值和群体全局最优值；

35)更新粒子的速度和位置；

36)判断是否满足算法终止条件，若是，则输出迭代优化后的生产属性子集和 SVM训练参数，若否，则返回步骤33)。

所述的更新粒子的速度和位置的公式为：

v_id＝v_id+c₁*rand*(p_id-x_id)+c₂*rand*(p_gd-x_id)

$x_{\mathrm{id}}=\left(\begin{array}{cc}1& \mathrm{ifrand}\le S\left(v_{\mathrm{id}}\right)\\ 0& \mathrm{otherwise}\end{array}\right)$

其中，c₁和c₂为正常数，称为学习因子；rand为[0，1]范围内的均匀随机数， v_id∈[-V_max，V_max]，V_max为设定最大速度值；S(v_id)为Sigmiod函数，定义如下：

$S\left(v_{\mathrm{id}}\right)=\frac{1}{1+\exp (-v_{\mathrm{id}})}.$

所述的动态调度规则分类模型的输入模式集M表达为： M＝{x_i，y_i}(i＝1，2，...，N)，其中x_i是输入模式的第i个样本，对应经过特征选择后的 生产属性(特征)子集，y_i为类别标签，看作对应x_i的最优调度策略，通过输入模 式集M，建立分类超平面方程，使用Lagrange乘子法求解一个二次规划问题的对 偶问题可以得到一个最优的分类超平面f(x)，如下式所示：

其中，K(x_i，x)为核函数；表示由对偶问题求得的最优Lagrange乘子；{x_i，y_i} 为训练数据，b₀为根据训练样本确定的阈值，对于任意给定的半导体生产状态x， 只需代入f(x)，便可得到对应调度策略的类别标签y。

与现有技术相比，本发明具有以下优点：

1、本发明将BPSO算法与SVM算法进行有效结合，可以根据新的生产线状 态信息，把能够满足不同生产目标所采取的决策信息实时地挖掘出来；

2、本发明可很好地满足三个方面的要求：第一，保证了生产属性本身的有效 性，即通过特征选择算法去除了众多生产属性中的冗余信息和噪声信息；第二，保 证了分类的精度，即在通过分类算法得到的调度策略的指导下，生产线的单个或整 体性能指标达到了一个较为满意的状态；第三，保证了调度的效率，即当生产线状 态信息发生变化时，通过分类算法得到的分类模型能够快速响应并得到对应的决策 信息，满足了调度的实时性，有利于提高生产效率。

附图说明

图1为本发明的流程示意图；

图2为本发明基于BPSO-SVM的特征选择与分类算法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方 案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范 围不限于下述的实施例。

如图1所示，一种半导体生产线动态调度策略自动选择方法，包括以下步骤：

1)根据实际半导体生产线获得生产线生产属性集、调度策略集和性能指标集， 所述的生产线生产属性集包括生产线属性和加工区属性；所述的调度策略集包括基 于交货期的调度策略、基于加工周期的调度策略、基于工件等待时间的调度策略、 基于负载均衡的调度策略和混合调度策略；所述的生产线性能指标集包括在制品水 平、生产率、加工周期、设备利用率、准时交货率、总移动量和平均移动量。

2)建立半导体生产调度仿真模型，根据实际半导体生产线历史状态数据获得 每个状态对应的生产属性值，以生产线历史状态数据和调度策略集中的调度策略为 仿真模型的输入，通过仿真获取采取不同调度策略下的生产线各项性能指标值，比 较得出对应于各性能指标最优的调度策略，建立样本集，包括训练样本集S₁和测 试样本集S₂；所述的样本集的数据形式为：{F，P，D}，其中，F和D之间的关系可 描述为：即生产线属性F下满足性能P最优的调度规则D。

3)采用基于BPSO-SVM的特征选择与分类算法对训练样本集S₁进行训练， 获取优化的生产属性(特征)子集和SVM训练参数，并形成基于SVM的动态调 度规则分类器A*。

如图2所示，基于BPSO-SVM的特征选择与分类算法具体为：

31)对生产属性子集和SVM训练参数进行联合编码，粒子采用0-1编码方式， 如下式所示：

$\{p_1,...,p_{n_f}|p_{n_f+1},...,p_{n_f+n_C}|p_{n_f+n_C+1},...,p_{n_f+n_C+n_{\gamma }}\}$

其中，n_f为生产属性个数，前n_f位为生产属性段，粒子的每一位代表一个生 产属性，“1”表示该生产属性被选为特征，训练时加以考虑，“0”表示该生产属 性不被选为特征，训练时不予考虑；由于考虑对特征选择和分类算法训练参数进行 同步优化，且分类算法核函数采用径向基核函数RBF，粒子表达式中的n_f+1至 n_f+n_C、n_f+n_C+1至n_f+n_C+n_γ位分别对应SVM分类算法参数段C和γ，每一段 表达为该参数对应的二进制值，C和γ转换为十进制参数的公式如下式所示：

$C\left(\mathrm{or\gamma }\right)=\min +\frac{\max -\min }{2^l-1}*d$

其中，max和min为参数对应十进制值的最大值和最小值；l为参数位串的长 度；d为参数位串表示的二进制值对应的十进制值；

32)初始化粒子群，包括对种群规模PN，粒子的位置x_i和速度v_i的初始化， 假设D维目标搜索空间中N个粒子组成一个群落，则粒子x表示为： x_i＝(x_i1，x_i2，...，x_iD)，对应该粒子的速度表示为：v_i＝(v_i1，v_i2，...，v_iD)，其中，i＝1，2，...N；

33)对初始化后的二进制粒子进行解码，得到分类所需的生产属性子集和SVM 训练参数，由SVM训练参数得到SVM分类模型，并获得SVM分类模型的调度策 略预测精度，根据生产属性子集的规模和调度策略预测精度计算各粒子的适应度， 适应度函数定义如下：

$\mathrm{Fitness}=w_a*{\mathrm{SVM}}_{\mathrm{Accuracy}}+w_f*{\left(\underset{i=1}{\overset{n_f}{\Sigma }}{p}_i\right)}^{-1}$

其中，w_a表示预测精度的权重，w_f表示特征数目倒数和的权重，p_i为粒子的一个 二进制位，SVM_Accuracy为SVM分类模型的调度策略预测精度，定义如下：

${\mathrm{SVM}}_{\mathrm{Accuracy}}=\frac{N_C}{N_U}$

其中，N_C为测试集中能被正确分类的样本数，N_U为测试样本数；

SVM分类模型的调度策略预测精度的获取是：将训练样本集S₁分为训练样本 集S₁₁和测试样本集S₁₂，以经过训练样本集S₁₁训练得到的动态调度规则分类器对 测试样本集S₁₂进行测试，并对分类器进行评价，从而获得调度策略预测精度；

34)根据粒子适应度计算粒子个体最优值和群体全局最优值；

35)更新粒子的速度和位置；

所述的更新粒子的速度和位置的公式为：

v_id＝v_id+c₁*rand*(p_id-x_id)+c₂*rand*(p_gd-x_id)

$x_{\mathrm{id}}=\left(\begin{array}{cc}1& \mathrm{ifrand}\le S\left(v_{\mathrm{id}}\right)\\ 0& \mathrm{otherwise}\end{array}\right)$

其中，c₁和c₂为正常数，称为学习因子；rand为[0，1]范围内的均匀随机数， v_id∈[-V_max，V_max]，V_max为设定最大速度值；S(v_id)为Sigmiod函数，定义如下：

$S\left(v_{\mathrm{id}}\right)=\frac{1}{1+\exp (-v_{\mathrm{id}})};$

36)判断是否满足算法终止条件，若是，则输出迭代优化后的生产属性子集和 SVM训练参数，若否，则返回步骤33)。

4)将测试样本集S₂输入动态调度规则分类器A*获取生产调度策略，并判断 基于特征子集的调度策略预测精度是否优于全集，若是，则记录该特征子集和SVM 训练参数，转至步骤5)，若否，则调整生产线历史状态数据，返回步骤2)或调整 训练参数变化范围，返回步骤3)。

5)以步骤4)获得的特征子集和SVM训练参数为基于BPSO-SVM的特征选 择与分类算法的输入，对训练样本集S₁进行训练，获得最终用于指导半导体生产 线的动态调度规则分类模型A。

6)向动态调度规则分类模型A输入生产线的实时状态信息，动态获取优化的 调度策略。

所述的动态调度规则分类模型的输入模式集M表达为： M＝{x_i，y_i}(i＝1，2，...，N)，其中x_i是输入模式的第i个样本，对应经过特征选择后的 生产属性(特征)子集，y_i为类别标签，看作对应x_i的最优调度策略。通过输入模 式集M，建立分类超平面方程，使用Lagrange乘子法求解一个二次规划问题的对 偶问题可以得到一个最优的分类超平面f(x)，如下式所示：

其中，K(x_i，x)为核函数；表示由对偶问题求得的最优Lagrange乘子；{x_i，y_i} 为训练数据，b₀为根据训练样本确定的阈值。对于任意给定的半导体生产状态x， 只需代入f(x)，便可得到对应调度策略的类别标签y。

以上海市某硅片制造公司为例，说明上述方法的有效性。上海市某硅片制造公 司从事集成电路设计、制造、销售和技术服务等的高新技术企业。该企业拥有一条 5、6吋硅片混合生产线，共有700多台物理设备、上百种产品、上千种加工流程 工艺、数万片左右的加工规模。生产线包括氧化扩散区、溅射区、光刻区、干法刻 蚀区、淀积区、外延区、注入区、湿法清洗区、虚拟设备区以及测试区在内的10 个加工区，涉及单片加工设备、批量加工设备、多片加工设备、槽类加工设备以及 集束型加工设备在内的5大类生产设备。本实施例以上述5、6吋硅片生产线为实 施对象进行详细说明。

具体实施过程如下：

步骤1，确定半导体生产线生产属性(特征)集F、调度策略(规则)集D和 性能指标集P，本例中三个数据集的具体设置如下：

1)生产属性(特征)集F

结合对半导体生产线状态属性的分析与实际生产线情况，本例从生产线属性和 加工区属性的角度选出51个生产属性进行分析研究，如表1所示。

2)调度策略集D

本例从基于交货期的调度规则、基于加工周期的调度规则、基于工件等待时间 的调度规则、基于负载均衡的调度规则4个角度共选择了6个启发式规则作为生产 调度规则集，分别是：先入先出优先调度(FIFO)、最小松弛时间优先调度(LS)、 最短工序时间优先调度(SPT)、最长工序时间优先调度(LPT)、最小临界比优先 调度(CR)以及负载均衡调度规则(LB)。

3)性能指标集P

本例考察以下6个生产系统的性能指标：平均加工周期(MCT)、平均加工周 期方差(VoMCT)、5吋硅片移动步数(MOV_5)、6吋硅片移动步数(MOV_6) 以及出片率(PROD)。PROD定义如下：

$\mathrm{PROD}=\frac{{\mathrm{Wafer}}_{\mathrm{Out}}}{{\mathrm{WIP}}_{\mathrm{Intital}}}\times 100$

其中，Wafer_Out为从系统初始化开始，单位调度周期内的出片数量；WIP_Initial为 系统初始化时的WIP数量。

步骤2，借助自主研发的半导体生产线调度仿真软件(FabSimSys)(软件著作 版权登记号：2011SR066503)，利用企业实际的生产数据，模拟企业生产线的运行 状况，通过仿真得到的生产线历史决策信息集，在此基础上建立样本集，概括为以 下3步：

1)在仿真开始前加载生产线的初始状态信息(即生产线属性信息)；

2)将调度规则集中的候选调度策略作为仿真输入逐一输入仿真模型，驱动仿 真运行，比较每一组输出的生产线性能指标；

3)根据比较结果，给出给定生产线状态下，满足当前生产线某一性能指标下 的最优调度策略，并将其纳入样本集。

本例获取100条生产线历史数据作为验证该方法的基础数据集，其中80条作 为训练样本集，用于产生调度策略分类模型；20条作为测试样本集，用于验证调 度策略分类模型的有效性。

步骤3，基于BPSO-SVM的特征选择与分类算法对训练样本集进行训练，获 取生产属性(特征)子集和SVM训练参数，通过迭代寻优最终形成基于SVM的 动态调度策略分类模型，概括为以下6步：

1)对生产属性(特征)子集和分类参数进行联合编码，粒子采用0-1编码方 式，设n_f＝51、n_C＝n_γ＝10，SVM训练参数C、γ极值为C_max＝500、C_min＝0、 γ_max＝1、γ_min＝0；

2)初始化粒子群，设粒子群粒子数目PN＝100，最大迭代次数N＝200，初始 化粒子速度范围为[-10，10]；

3)对初始化后的二进制粒子进行解码，得到分类所需的生产属性(特征)子 集和SVM训练参数，由此得到分类模型，根据生产属性(特征)子集的规模和分 类得到的调度策略预测精度计算粒子适应度，设权重w_a＝0.6、w_f＝0.4。

4)由粒子适应值求粒子个体最优值和群体全局最优值，将各粒子适应值与自 身(全局)最优值比较，并对粒子的速度和位置进行更新；

5)以最大迭代次数为作为算法终止条件：若迭代次数达到200，则输出最优 生产属性(特征)子集和SVM分类参数，否则继续迭代寻优直到满足终止条件为 止；

6)采用最优生产属性(特征)子集和SVM分类参数，对训练样本集进行训 练，得到最终的动态调度策略分类模型A。

步骤4，将20条测试样本代入步骤3得到的动态调度策略分类模型A中进行 测试，查看最优调度策略预测精度，并将SVM动态调度策略选择下的性能指标与 其它规则对应性能指标进行比较。

表2是5种生产性能指标下，在生产属性(特征)全集(TS)上直接应用SVM 算法和应用BPSO-SVM算法进行特征选择和参数优化后，即在生产属性(特征) 子集(SS)上应用SVM算法得到的测试结果比较，表中统计了单目标最优调度策 略预测精度以及特征选择后的生产属性(特征)子集规模。

由表2可以看出，相比于在生产属性(特征)全集上直接应用SVM算法，经 过BPSO-SVM算法进行特征选择和参数优化后所得结果，在给定的5种性能指标 上的平均预测精度都有明显提高。在平均加工周期、平均加工周期方差、5吋硅片 移动步数、6吋硅片移动步数以及出片率指标方面的平均分类精度，分别由原来的 42.5％、36.25％、80％、91.25％、31.25％提高到56.25％、55％、82.5％、93.75％、 48.75％，尤其是出片率方面，预测精度提高了56个百分点。

除此之外，表2还统计了特征选择后的生产属性(特征)子集规模。可以看到， 经过特征选择去除了大量冗余属性，尤其在5吋和6吋硅片移动步数方面，生产属 性(特征)子集相关特征个数由51个分别降到3个和5个，5个性能指标下生产 属性(特征)子集相关特征个数平均为13.8个，BPSO-SVM算法取得了较好的特 征选择效果。表3是20条样本在8种调度策略下得到的性能指标均值比较。

由表3可以看出，相比于其它调度策略，应用SVM和BPSO-SVM动态调度 策略能在给定的5种性能指标上获得较优的结果。在MOV_5、MOV_6方面， BPSO-SVM算法获得了最优的方案。虽然在MCT、VoMCT、PROD方面，BPSO-SVM 算法相比于SVM算法不是最优，但由两种算法的训练时间可知，BPSO-SVM算法 在训练中去除了大量的冗余属性，提高了调度效率。除此之外，实验还统计了通过 BPSO-SVM调度策略得到的各个生产性能指标均值与最优值之间的绝对差值和相 对差值以及BPSO-SVM调度策略下的预测耗时，对应于5种性能指标下的预测时 间平均值为96.2ms，很好地满足了调度实时性的要求。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上 述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改， 这并不影响本发明的实质内容。

表1生产属性(特征)集

序号 属性名称 描述 1 WIP 系统中总在制品数量 2 WIP_5 系统中5寸在制品数量 3 WIP_6 系统中6寸在制品数量 4 WIP_DF 氧化扩散区在制品数量 5 PoBW_DF 氧化扩散区在制品占总在制品数的比例 6 WIP_IM 注入区在制品数量 7 PoBW_IM 注入区在制品占总在制品数的比例 8 WIP_EP 外延区在制品数量 9 PoBW_EP 外延区在制品占总在制品数的比例 10 WIP_LT 光刻区在制品数量 11 PoBW_LT 光刻区在制品占总在制品数的比例 12 WIP_PE 干法刻蚀散区在制品数量 13 PoBW_PE 干法刻蚀区在制品占总在制品数的比例 14 WIP_PD 淀积区在制品数量 15 PoBW_PD 淀积区在制品占总在制品数的比例 16 WIP_TF 溅射区在制品数量 17 PoBW_TF 溅射区在制品占总在制品数的比例 18 WIP_WT 湿法清洗区在制品数量 19 PoBW_WT 湿法清洗区在制品占总在制品数的比例 20 NoE 系统中当前可用设备数量 21 NoBE 系统中瓶颈设备数量 22 PoBE 系统中瓶颈设备所占比例 23 NoBE_DF 氧化扩散区瓶颈设备数量 24 PoBE_DF 氧化扩散区瓶颈设备占该区可用设备的比例 25 NoBE_IM 注入区瓶颈设备数量 26 PoBE_IM 注入区瓶颈设备占该区可用设备的比例 27 NoBE_EP 外延区瓶颈设备数量 28 PoBE_EP 外延区瓶颈设备占该区可用设备的比例 29 NoBE_LT 光刻区瓶颈设备数量 30 PoBE_LT 光刻区瓶颈设备占该区可用设备的比例 31 NoBE_PE 干法刻蚀区瓶颈设备数量 32 PoBE_PE 干法刻蚀区瓶颈设备占该区可用设备的比例 33 NoBE_PD 淀积区瓶颈设备数量 34 PoBE_PD 淀积区瓶颈设备占该区可用设备的比例

35 NoBE_TF 溅射区瓶颈设备数量 36 PoBE_TF 溅射区瓶颈设备占该区可用设备的比例 37 NoBE_WT 湿法清洗区瓶颈设备数量 38 PoBE_WT 湿法清洗区瓶颈设备占该区可用设备的比例 39 PC 系统加工产能比 40 PC_DF 氧化扩散区加工产能比 41 PC_IM 注入区加工产能比 42 PC_EP 外延区加工产能比 43 PC_LT 光刻区加工产能比 44 PC_PE 干法刻蚀区加工产能比 45 PC_PD 淀积区加工产能比 46 PC_TF 溅射区加工产能比 47 PC_WT 湿法清洗区加工产能比 48 MeTD 系统中工件从当前时刻到理论交货期的平均剩余时间 49 SdTD 系统中工件从当前时刻到理论交货期的剩余时间标准差 50 NoBL 系统中紧急工件数量 51 PoBL 系统中紧急工件所占比例

表2最优调度策略预测精度及生产属性(特征)子集规模

表3SVM动态调度策略与启发式调度规则在性能指标上的均值比较

调度策略 MCT(day) VoMCT MOV_5 MOV_6 PROD(％) SVM 41.846 342.863 37660.25 68702.50 1.191 BPSO-SVM 42.691 369.807 37660.25 68985.60 1.153 FIFO 42.831 355.361 31683.40 66630.85 1.133 SPT 43.934 368.051 26278.90 64174.90 1.049 LPT 41.846 363.983 37660.25 65233.65 1.169 LB 42.352 342.863 35763.70 68985.60 1.117 LS 44.429 383.667 30648.70 65444.90 1.191 CR 42.856 355.246 31604.05 66643.2 1.140 最优指标值 40.446 315.677 37775.30 68985.60 1.263 绝对偏差 2.245 54.130 -115.05 0 -0.11 相对偏差(％) 5.55 17.15 -0.30 0 -8.71

预测时间(ms) 90 77 105 126 83 SVM算法训练时间(s) 2.36 2.45 1.89 2.10 2.62 BPSO-SVM算法训练时间(s) 1.79 1.93 1.52 1.69 1.94