【技术实现步骤摘要】
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
[0001]本专利技术涉及一种半导体最终测试过程的优化调度方法，具体涉及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，属于半导体
技术介绍
[0002]半导体芯片产业是我国最重要的高新技术产业之一，也是信息技术产业群的核心和基础，其发展水平决定了国家智能化、信息化、数字化的速度和高度。半导体元件的制造过程分为晶圆处理制程、晶圆针测制程、封装制程和最终测试制程，其中最终测试制程是在将集成电路产品交付之前对已封装的芯片进行出厂测试，以保证产品的优质率。由于其测试产品类型多样、测试流程工艺复杂、测试资源价格昂贵等特点已成为半导体元件的制造过程的瓶颈环节。通常情况下，半导体测试工厂内的测试资源和机器都是非常昂贵且数量极为有限，高效调度方案对于提高测试过程的资源利用率至关重要。因此，针对半导体最终测试调度问题(Semiconductor Final Testing Scheduling Problem，SFTSP)的研究有着十分重要的工程意义和理论价值。半导体最终测试问题主要包括10个连续的过程：进货检验、一次测试(FT
‑
1)、烘烤测试(Cycling)、二次测试(FT
‑
2)、老化(Burn
‑
in)测试、扫描(Scanning)、人工或机器三次测试(FT
‑
3)、烘干(Baking)、打包、出货前测试。其中，FT
‑
1、FT
‑
2和FT>‑
3需要在测试机上顺序进行测试，步骤Cycling、Burn
‑
in和Baking需要在预烧炉中进行处理，整个测试过程存在明显多中心和多重入特性。一般而言，半导体前端的晶圆制造生产线复杂程度要高于后端的封装测试线，但是对于测试站的具体工作而言，测试调度的复杂程度往往不亚于前端晶圆制造过程。
[0003]SFTSP是一种特殊的多资源协同调度问题，具有典型作业车间调度问题(Job Shop Scheduling Problem，JSP)的显著特征，已被证明为NP
‑
hard组合优化问题。因此，精确方法并不合适用于求解大规模、强耦合、强约束的SFTSP。20世纪90年代初，Uzsoy等通过考虑半导体最终测试生产过程中多设备、多资源、多约束等调度要素，将SFTSP建模为经典单机调度问题，并提出了一种将复杂测试工厂进行多中心划分的分解方法尝试解决SFTSP。随后，研究者们将各类启发式算法用以解决SFTSP。目前有关SFTSP求解方法的研究主要分为两类：启发式算法和元启发式算法，具体阐述为：
[0004](1)启发式算法：常见的启发式算法有NEH、VND、Johnson算法等。Pearn等以最小化机器总工作负载为优化目标，提出一种包含工件排序、机器分配和平行插入的三层启发式网络算法求解SFTSP。Wang等以最小化最大完工时间与设备的设置时间之和为目标，设计了一种容量约束调度算法求解SFTSP。Wu等建立了以最小化最大完工时间为优化目标的SFTSP数学规划模型，同时设计了基于工件分配和机器资源配置的启发式方法对其求解。启发式算法由于步骤简单，因而易于实现同时耗时较短，但是该类方法得到的调度解的质量和最优解往往存在着较大的差距。
[0005](2)元启发式算法：元启发式算法是在解的产生方式中加入一定的随机性，并对解进行迭代更新，在问题的整个解空间中搜索最优解，搜索范围大且具有一定的搜索深度，往
往能在一定时间内获得性能满意的解，常见的元启发式算法有遗传算法、离散粒子群优化、和声搜索、差分进化等。Wu等和Hao等在Wu等所提数学规划模型的基础上设计元启发算法对SFTSP进行求解。随后Wu等设计了一种工件操作序列和资源分配序列相结合的双矢量编码方法，并提出改进遗传(Improved Genetic Algorithm，IGA)算法对SFTSP进行求解。Hao等提出基于分而治之策略的协同进化分布估计算法(Cooperative Estimation of Distribution Algorithm，CEDA)，并证明了CEDA性能要优于IGA。Zhang等设计了多种群并行进化的果蝇算法(Fruit Fly Optimization Algorithm，FFOA)对SFTSP进行求解，并改进了果蝇基于气味和视觉的搜索机制，来增强种群间协同搜索能力。Wang等提出了混合分布估计算法(Hybrid Estimation of Distribution Algorithm，HEDA)以最小化最大完工时间为目标求解SFTSP。Wang等提出了一种基于知识的多智能体进化算法(Knowledge
‑
based Multi
‑
agent Evolutionary Algorithm，KMEA)，并设计了一种种群初始化机制，来保证初始解的优越性。Sang等将SFTSP分解为机器分配问题和操作排序问题，并提出基于双种群协同进化的杂草入侵算法(Cooperative Coevolutionary Invasive Weed Optimization，CCIWO)进行求解。元启发式算法求解问题时通常采用以进化算法和局部搜索方法为基础的固定框架，且在框架内进化算法的进化策略通常是固定的，这导致其能有效求解SFTSP的一种或几种规模的实例，却无法保证其对不同规模测试实例的求解性能。
[0006]近年来，超启发式算法(Hyper Heuristic Algorithm，HHA)已成为当前计算智能
的研究热点之一，并且已在求解多种调度问题上取得了成功应用。HHA通过设计特定高层策略(High
‑
Level Strategy，HLS)从已有的低层启发式算法(Low
‑
Level Heuristics，LLHs)中选择或生成新的启发式算法。因此，相较于传统元启发式算法，超启发式算法在解决组合优化问题时，可以根据问题实例规模的不同，更为灵活地选择或生成相适应的启发式算法进行求解。针对HHA，研究者们主要关注HLS对LLHs的指导方法，其决定了在求解问题的过程中HLS如何学习LLHs的特征并指导选择LLHs用于对问题的解空间执行更深层次的搜索。分布估计算法(Estimation of Distribution Algorithm，EDA)是一种基于统计学习的智能优化算法，其可作为一种有效的HLS。相较于传统进化算法，EDA首先学习种群中的优质个体特征并建立概率模型估计优势个体分布，然后对概率模型进行采样产生新种群，从而引导算法的搜索方向。EDA利用概率模型学习问题解的结构信息一定程度上避免传统进化算法对优质解中优良模式破坏的问题。由于具有良好的全局搜索性能，EDA已成功被应用于求解多目标绿色流水车间调度问题、不相关并行机调度问题、多目标分布式零等待流水车间调度问题等多种组合优化问题。本专利技术设计一种超启发式多维分布估计算法(Hype本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一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，其特征在于：所述方法的具体步骤如下：Step1、构建SFTSP的数学模型；Step2、采用单矢量编码方案进行HHMEDA程序中的编码Step3、初始化HHMEDA算法参数；Step4、构建LLH启发式方法集合；Step5、概率模型和种群初始化；Step6、多维矩阵概率模型更新；Step7、对种群内所有个体进行评价；Step8、对多维概率矩阵模型进行采样以更新种群；Step9、检查算法运行时间是否已达到MT，若没达到则转回步骤Step6，否则输出当前最优调度候选解方案；Step10、解码调度解序列；Step11、输出解码后调度方案对应的甘特图，至此完成对SFTSP的求解。2.根据权利要求1所述的基于超启发式多维分布估计的半导体最终测试调度方法，其特征在于：所述Step1中，SFTSP详细描述为：n个待测试工件{J1,J2,...,J
n
｝在m台机器｛M1,M2,...,M
m
｝上进行测试，其中工件J
i
的测试流程是按顺序依次执行操作序中的操作；SFTSP还具备以下约束：(1)在初始时刻，所有的工件、机器和资源都是可用的；(2)不同工件的操作之间不存在优先级约束，每个操作在可执行的不同机器上的测试时间均已预先给定；(3)同一时刻一台机器最多只能对一个工件进行测试，测试完成后才能开始对下一个工件进行测试，并且测试过程不允许被打断；(4)同一工件的不同操作在机器间进行转移时，存在序相关设置时间，其时长取决于转移前后的机器状态，与工件的操作无关，且序相关设置时间与测试时间独立不相关。3.根据权利要求1所述的基于超启发式多维分布估计的半导体最终测试调度方法，其特征在于：所述Step2中，HHMEDA采用一种基于工件操作排序的单矢量编码方案，表示为π
initial
=｛π1,π2,...,π
sum
}，其中π
initial
为调度候选解方案，由n种工件序号构成，长度sum为所有工件的操作数总和，其中工件序号在π
initial
中出现的次数为工件的操作序数。4.根据权利要求1所述的基于超启发式多维分布估计的半导体最终测试调度方法，其特征在于：所述Step4中，采用插入、交换、分段交换、反转操作构建LLH启发式方法集合，具体方法如下：(a)工件前向插入：在调度候选解序列中随机选择2个不同位置的工件，并将后位置的工件插入到前位置的工件之前；(b)工件后向插入：在调度候选解序列中随机选择2个不同位置的工件，并将前位置的工件插入到后位置的工件之后；(c)...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。