Setup Change Scheduling for Semiconductor Packaging Facilities Using a Genetic Algorithm With an Operator Recommender

[koptimizer]

📋 논문의 정보를 알려주세요.

• Setup Change Scheduling for Semiconductor Packaging Facilities Using a Genetic Algorithm With an Operator Recommender
• Beom-suk Chung, Junseok Lim, In-Beom Park, Jonghun Park, Minseok Seo, and Jinwook Seo
• IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING
• VOL. 27, NO. 3, AUGUST 2014

📃 Abstract(본문)

Semiconductor manufacturers are increasingly assembling multiple chips into a single package to maximize the capacity of flash memories. Multiple-chip products (MCPs) require repetitive visits to assembly stages and incur frequent setup changes. As utilization of packaging facilities decreases due to the introduction of MCPs, research on scheduling of packaging facilities is becoming more important than ever. In this paper, we propose a novel framework to find a good schedule for semiconductor packaging facilities by focusing on bottleneck stages while satisfying practical operational constraints. A genetic algorithm-based sequence optimizer is employed, and construction and performance evaluation of a schedule are separately addressed by a simulator. Furthermore, a recommender is proposed to accelerate convergence of the optimizer. Experimental results show that the proposed approach performs better than the other existing methods while successfully reducing computation time.

🔎 어떤 논문인지 소개해주세요.

• 반도체 생산라인의 다중칩 공정(MCPs)과 같은 재유입 흐름이 존재하는 FJSP을 해결할 GA를 제안합니다.
• 유전연산 추천기 같은 방법등의 다양한 방법들이 사용된 것 같은데, 흥미로운 접근인 것 같습니다.
• setup time과 재유입 흐름의 관점에서 어떤식으로 메타휴리스틱이 접근해야하는지를 중점적으로 볼 예정입니다.

🔑 핵심 키워드를 적어주세요.

• Flexible job shop scheduling, Genetic algorithm, Recommendation, Semiconductor packaging, Sequence dependent setup.

📎 URL

• https://ieeexplore.ieee.org/abstract/document/6804001/

[koptimizer]

💡 방법은 무엇입니까?

• Multi object를 달성할 수 있는 Optimizer + Simulator + Recommander의 형태를 지닌 GA기반 방법을 제안합니다.
  • Optimizer(SCO)는 문제를 Sequence dependent setup time을 지닌 FJSP 문제로 모델링하며, 다양한 유전연산자를 사용하는 GA이다.
  • Simulator는 Feasible한 Schedule을 생성하고, 성능 평가를 담당한다.
  • Recommander(SOR)는 Optimizer의 수렴 속도를 가속화하기 위해 유사성 기반의 유전연산자를 추천해준다.

📈 실험과 그 결과는 어떻습니까?

• Multi objective를 고려하기 때문에 정말 다양한 평가지표가 존재합니다.
  • 설비 가동성(Fu)과 Setup changes score(Fs)가 주요한 지표이고 그 외에도 유휴시간이나 Total tardiness 등과 관련된 지표도 있습니다.
• 실험을 위해 간단한 데이터셋과 복잡한 데이터셋 2개를 준비했고, SCO와의 비교군은 DCM(Defersha & Chen's method)과 BTSL(Balancing Task Sequence List)을 가져왔습니다. 각 파라미터와 문제를 바꿔가면서 다양한 지표를 기준으로 실험했습니다.
  • 모든 경우에서 제안된 알고리즘인 SCO가 더 좋은 성능을 보여주었습니다. 또, multi objective를 편향없이 효과적으로 달성함을 볼 수 있었습니다.
  • SCO와 SCO+SOR을 비교하면서 Computaional time table을 통해 Recommander가 GA속도를 가속화시키는 것을 입증했습니다.

📂 차후 연구방향 및 보완점은 무엇입니까?

• Packaging 뿐 아니라 Wafer 관련 공정까지 프레임워크를 확대해 볼 수 있을 것 같습니다.

👍 novelty와 논문을 통해 배운 것은 무엇입니까?

• 재유입 흐름이 존재하며 Setup time이 존재하는 반도체 공정에서의 FJSP를 해결하기 위한 접근을 배울 수 있었습니다.
• 다양한 목적함수의 최적화를 위한 접근에 대해서 볼 수 있었습니다.

➿ 궁금한 점이나 추가로 읽으면 좋은 레퍼런스가 있습니까?

• DB training 때문인지는 모르겠는데 SCO+SOR이 아닌 SCO를 디폴트로 비교한건지 궁금합니다.
• 다른 방법들과 Computational time도 비교해주었으면 좋았을 것 같습니다.