微电子生产调度：基于指标快速预报的分解算法

"微电子生产过程调度问题基于指标快速预报的分解算法，张龙，许川佩，刘民，董明宇，控制与决策，2020，35(1):139-146，https://doi.org/10.13195/j.kzyjc.2018.0422" 微电子生产过程调度问题是一个复杂且具有挑战性的领域，尤其是在面对大规模生产线和多种约束条件时。该问题涉及到如何有效地分配生产资源，以最小化平均流经时间，即任务从开始到完成所需的时间。这个问题的复杂性源于菜单约束（多种产品和工艺步骤的组合），Setup时间（准备不同任务之间所需的时间）以及组批约束（同一设备或工位处理多个单元的限制）。 为了解决这一问题，研究者提出了一种名为DM-IFP的基于指标快速预报的分解方法。首先，他们通过松弛不可中断约束来简化问题，设计出一种称为CTP-ML的代理方法。CTP-ML（基于机器负载的操作完工时间快速预测方法）能够迅速预测操作在特定机器上的完成时间，从而降低计算复杂度。 接下来，研究者利用CTP-ML对原问题进行分解，将其转化为多个连续交迭的子问题。这种分解策略使得大型问题可以被更有效地处理，每个子问题的规模相对较小，更容易求解。为了求解这些子问题，他们提出了一种基于双信息素的蚁群算法（ACO-D）。蚁群算法是一种模拟自然界蚂蚁寻找食物路径的优化算法，双信息素机制增强了算法的探索能力和收敛速度。ACO-D利用CTP-ML提供的全局调度目标，确保了解的质量，同时保持了全局优化的性能。 通过对比不同规模的仿真数据，研究者将DM-IFP方法与现有的代表性算法进行了详尽的数值比较。实验结果显示，DM-IFP方法在解的质量和收敛性方面都有所提升，这表明该方法在解决微电子生产过程调度问题上具有显著优势。 此外，该研究还提到了其他相关的调度问题，如基于总加权完成时间的可重入混合流水车间调度、低碳柔性作业车间调度、任务可拆分多项目协同调度问题以及具有空闲时间的云制造作业车间调度。这些文章都展示了在各自领域内应用优化算法解决复杂调度问题的尝试和成果。 微电子生产过程调度问题的解决需要创新的算法和方法，如DM-IFP和ACO-D，它们能够有效地应对大规模和高约束条件下的调度挑战，提高生产效率，减少平均流经时间，对于优化微电子制造过程具有重要意义。