在實際業界中，大部分晶圓廠都忽略了傳輸整合步進機在小批量情境下會有產能 損失的問題，而過去文獻也都只探討在滿批量下做步進機的派工，故本論文所研究的 議題是值得被探討的。
雖然過去 Wu & Chiou（2009）曾經針對低良率的情境作傳輸整合步進機的排程，
但並無考慮到有些晶圓批會有使用相同光罩的情形，然而在現實情況中，晶圓廠是具 有迴流製程特性的工廠，故工件會重複進入傳輸整合步進機中加工，而每次皆為加工 不同的電路佈局，在加工不同電路佈局時則需要更換光罩，換句話說，相同的產品在 同一加工層時（加工相同的電路佈局），會使用相同光罩，故本研究為在考慮光罩限制 下，針對小批量的情境來減少產能損失的問題。而本研究所提出之 GA-F（Family-based GA）可以在短時間內，得到一組近似最佳解的加工順序與總完工時間。
5.1 研究的結論
過去 Wu & Chiou（2009）為研究在小批量情境下作傳輸整合步進機的排程，但因 為所使用的方法沒有考量光罩的特性，所以只使用基因演算法，並無納入家族式派工 的概念，也就是本研究的標竿 GA-I。本研究欲探討在此情境下，使用家族式派工是否 會比使用單獨派工法則有著更少的機台閒置情形，在第四章中已可得知 GA-F 可以比 GA-FT 求出更好的工件順序，故結論將會針對 GA-I 與 GA-F 做探討。在經過大量的 實驗後，可以將本研究的結論歸納如下：
1. 當欲排序的工件數目越多，家族式派工法則的效果越顯著。因為工件數目越 多，加工時所需要更換光罩的次數也越多，設置的次數也更多，而本研究的 GA-F 可以減少更多餘的設置時間。
2. 當設置時間越長時，家族式派工法則的效果越顯著。因為設置時間越長，則 GA-I 所產生的設置時間會更多，造成總完工時間拉長，而本研究所使用的 GA-F 可以減少多餘的設置時間，減少總完工時間。
46
3. 當所使用的光罩種類越多，家族式派工法則的效果越顯著。因為光罩種類數 量越多，工件在加工時遇到使用不同光罩的工件機會也越大，而本研究所使 用的 GA-F 可以減少工件遇到使用不同光罩的工件，使總完工時間更短。但 值得注意的是，當使用光罩數量與工件數量接近時，則使用 GA-F 效果會趨 近於 GA-I，故績效下降。
4. 當欲排序工件的良率越低，家族式派工法則的效果越顯著。因為良率越低時，
總完工時間會越小，此時設置時間對於總完工時間的影響就會越大，而本論 文的 GA-F 減少了多餘的設置時間，故 GA-F 在低良率時成效會比 GA-I 顯著。
5.2 未來研究方向
本研究的未來研究方向，整理如下列數項：
1. 本研究目前只探討單一機台的研究，故未來可朝向雙機或多機，甚至是生產 系統來做延伸。
2. 本研究目前只探討以基因演算法求解傳輸整合步進機的排程問題，尚未探討 以不同的巨集演算法（Meta-heuristic）來求解此一問題，故未來可嘗試使用 不同的巨集演算法來解決傳輸整合步進機的排程問題。
3. 由於在小批量情境下發生產能閒置問題的主要原因是因為 Port 數量不足，故 未來可朝向 Port 數量的研究，探討 Port 達到多少數量時，即可以使傳輸整合 步進機不會發生產能的損失。
4. GA-F 的解品質會比 GA-FT 好的主要原因是 GA-FT 的染色體在每次的基因演 化後變動太大，導致不易產生好的解，故未來研究方向可朝向針對不同的問 題情境的 Family-based，去改善它們的染色體設計。
參考文獻
Bagchi TP, Gupta NDJ and Sriskandarajah C (2006). A review of TSP based approaches for flowshop scheduling. European Journal of Operational Research 169: 816-854.
Cheng TCE, Gupta NDJ and Wang G (2000). A review of flowshop scheduling research with setup times. Production and operations management 9: 262-282.
Chern CC and Liu YL (2003). Family-based scheduling rules of a sequence-dependant wafer fabrication system. IEEE ctions on semiconductor manufacturing 16: 15-25.
Croce FD, Tadei R and Volta G (1995). A genetic algorithm for the job shop problem.
Computer Operation Research 22: 15-24.
Franca PM, Gupta JND, Mendes AS, Moscato P and Veltink KJ (2005). Evolutionary algorithms for scheduling a flowshop manufacturing cell with sequence dependent family setups. Computers & Industrial Engineering 48: 491-506.
Goldberg DE (1989). Genetic algorithms in search, optimization and machine learning.
Addison-Wesley, Boston.
Hejazi SR and Saghafian S (2005). Flowshop-scheduling problems with makespan criterion: a review. International Journal of Production Research 43: 2895-2929.
Holland JH (1975). Adaptation in Neural and Artificial Systems. University of Michigan Press,Ann Arbor, Michigan .
48
Liao CJ, Liao LM and Tseng CT (2006). A performance evaluation of permutation vs.
non-permutation schedules in a flowshop. International Journal of Production Research 44:
4297-4309.
Lin SW, Gupta JND, Ying KC and Lee ZJ (2009). Using simulated annealing to schedule a flowshop manufacturing cell with sequence-dependent family setup times. International Journal of Production Research 47: 3205-3217.
Lin SW, Ying KC and Lee ZJ (2009). Metaheuristics for scheduling a non-permutation flowline manufacturing cell with sequence dependent family setup times. Computers &
Operations Research 36: 1110-1121.
Pinedo M (2002). Scheduling-Theory, algorithms, and systems. 2nd ,Prentice Hall, New Jersey.
Potts CN and Kovalyov MY (2000). Scheduling with batching: A review. European Journal of Operational Research 120: 228-149.
Quadt D and Kuhn H (2007). A taxonomy of flexible flow line scheduling procedures.
European Journal of Operational Research 178: 686-698.
Quirk M and Serda J (2001). Semiconductor manufacturing technology. Prentice Hall, New Jersey.
Reeves CR (1995). A genetic algorithm for flowshop sequencing, Computer Operation Research 22: 5-13.
Ruiz R and Stutzle T (2007). A simple and effective iterated greedy algorithm for the permutation flowshop scheduling problem. European Journal of Operational Research 177:
2033-2049.
Ruiz R and Maroto C (2006). A genetic algorithm for hybrid flowshops with sequence dependent setup times and machine eligibility. European Journal of Operational Research 169: 781-800.
Wang CS and Uzsoy R (2002). A genetic algorithm to minimize maximum lateness on a batch processing machine. Computers & Operations Research 29: 1621-1640.
Wang L and Zheng DZ (2003). An effective hybrid heuristic for flowshop scheduling.
International Journal of Advanced Manufacturing Technology 21: 38-44.
Wein LM (1988). Scheduling semiconductor wafer fabrication. IEEE Transactions on Semiconductor Manufacturing 1: 115-130.
Wilson AD, King RE and Hodgson TJ (2004). Scheduling non-similar groups on a flow line:
multiple group setups. Robotics and Computer-Integrated Manufacturing 20: 505-515.
Wu MC and Chiou CW (2009). Scheduling Semiconductor In-line Steppers in New Product/Process Introduction Scenarios. International Journal of Production Research (accepted).
Wu MC, Chiou SJ and Chen CF (2008). Dispatching for make-to-order wafer fabs with machine-dedication and mask set-up characteristics. International Journal of Production
50
Research 46: 3993 - 4009.
Wu MC, Huang YL, Chang YC and Yang KF (2006). Dispatching in semiconductor fabs with machine-dedication features. International Journal of Advanced Manufacturing Technology 28: 978-984.
Wu MC, Jiang JH and Chang WJ (2008). Scheduling a hybrid MTO/MTS semiconductor fab with machine-dedication features. International Journal Production Economics 112: 416-426.
Xiao H (2001). Introduction to semiconductor manufacturing technology. Prentice Hall, New Jersey.
Ying KC and Lin SW (2006). Multiprocessor task scheduling in multistage hybrid flow-shops:
an ant colony system approach. International Journal of Production Research 44: 3161-3177.
Ying KC and Lin SW (2009). Raising the hit rate for wafer fabrication by a simple constructive heuristic. Expert Systems with Applications 36: 2894-2900.
Zhu X and Wilhelm WE (2007). Scheduling and lot sizing with sequence-dependent setup: A literature review. IIE Transaction 38: 987-1007.