綜合比較

在此小節中，將上述三個案例利用本研究所提出的基因演算法所求出的結 果，與無採用重工決策以及工業界常用的 1/2 的重工決策進行績效的比較；接著 再比較採用全數搜尋法所得的結果與兩者所需的求解時間。

5.4.1 無重工決策以及業界做法與本研究所提方法之比較

A. 案例一

此案例的每片基板中所包含的面板數為 6 片，所以若採用 1/2 重工決策，即 為經由一 stage 加工後，若一基板包含 3 個以上的良好面板，則該基板可投入下 一 stage 繼續加工。比較結果如表 5.7：

表 5.7 案例一之無重工決策以及業界做法與本研究所提方法比較

Z(片) P(片) N(片) 目標函數值(元) (1)無重工決策 34,200 2,317 1,452 $314,915,442 (2) 1/2 重工決策(h=3) 34,336 2,319 1,452 $321,556,164 (3) 本研究所求得之最佳重工決策 37,062 2,491 1,467 $351,466,288 (4) 本研究改善無重工決策的比率

=((3)-(1))/(1) 8.37% 7.51% 1.03% 11.61%

(5)本研究改善 1/2 重工決策的比率

=((3)-(2))/(2) 7.94% 7.42% 1.03% 9.30%

B. 案例二

此案例的每片基板中所包含的面板數為 10 片，所以若採用 1/2 重工決策，

即為經由一 stage 加工後，若一基板包含 5 個以上的良好面板，則該基板可投入 下一 Stage 繼續加工。比較結果如表 5.8：

表 5.8 案例二之無重工決策以及業界做法與本研究所提方法比較

Z(片) P(片) N(片) 目標函數值(元) (1)無重工決策 55,225 4,080 2,897 $223,299,419 (2) 1/2 重工決策(h=5) 55,266 4,080 2,891 $225,701,499 (3) 本研究所求得之最佳重工決策 57,251 4,178 2,929 $240,335,878 (4) 本研究改善無重工決策的比率

=((3)-(1))/(1) 3.67% 2.40% 1.10% 7.63%

(5)本研究改善 1/2 重工決策的比率

=((3)-(2))/(2) 3.59% 2.40% 1.31% 6.48%

C. 案例三

此案例的每片基板中所包含的面板數為 15 片，所以若採用 1/2 重工決策，

即為經由一 stage 加工後，若一基板包含 8 個以上的良好面板，則該基板可投入 下一 Stage 繼續加工。比較結果如表 5.9：

表 5.9 案例三之無重工決策以及業界做法與本研究所提方法比較

Z(片) P(片) N(片) 目標函數值(元) (1)無重工決策 86,071 4,922 3,698 $256,348,671 (2) 1/2 重工決策(h=8) 86,049 4,911 3,689 $257,472,097 (3) 本研究所求得之最佳重工決策 87,769 4,919 3,671 $266,128,646 (4) 本研究改善無重工決策的比率

=((3)-(1))/(1) 1.97% -0.06% -0.73% 3.82%

(5)本研究改善 1/2 重工決策的比率

=((3)-(2))/(2) 2.00% 0.16% -0.49% 3.36%

D. 結論

經由以上分析比較，可發現本研究所提出的最佳重工決策方法，與無採用重 工決策以及目前大部分工業界所採用的 1/2 重工決策比較，無論在各等級面板的 期望產出，以及目標函式值的比較，皆有相當明顯的改善，證明本研究以系統觀

的角度所求得的最佳重工決策，相較於以往採直覺性思考所訂定的重工決策，本 研究確實有其價值性。

5.4.2 基因演算法與全數搜尋法之比較

由於基因演算法所求得的最佳重工決策組合，可能未必為整體最佳解，但可 節省大量的運算時間，所以此小節將比較採用基因演算法與採用全數搜尋法所得 的一些數據以及求解時間，結果如表 5.10、5.11、5.12 所示：

檢測站最佳重

工決策組合 Z(片) P(片) N(片) 目標函數值(元) 求解時間 (sec) (1)基因演算法 (5,4,6,5,4,4,3) 37,062 2,491 1,467 351,466,288 43 (2)全數搜尋法 (5,4,6,5,4,4,3) 37,062 2,491 1,467 351,466,288 209 (3) 兩者差異=(2)-(1) - 0 0 0 0 166

(4)相差比率=(3)/(1) - 0% 0% 0% 0% - (5)節省時間比率=(3)/(2) - - - - 79.43%

表 5.10 案例一之基因演算法與全數搜尋法比較

表 5.11 案例二之基因演算法與全數搜尋法比較

檢測站最佳重

工決策組合 Z(片) P(片) N(片) 目標函數值(元) 求解時間 (sec) (1)基因演算法 (8,6,9,7,6,6,5) 57,251 4,178 2,929 240,335,878 243 (2)全數搜尋法 (8,6,9,7,6,6,5) 57,251 4,178 2,929 240,335,878 1994 (3) 兩者差異=(2)-(1) - 0 0 0 0 1751

(4)相差比率=(3)/(1) - 0% 0% 0% 0% - (5)節省時間比率=(3)/(2) - - - - 87.81%

表 5.12 案例三之基因演算法與全數搜尋法比較 檢測站最佳重工

決策組合 Z(片) P(片) N(片) 目標函數值 (元)

求解時間 (sec) (1)基因演算法 (12,9,13,10,10,9,6) 87,769 4,919 3,617 266,128,646 617 (2)全數搜尋法 (12,9,13,10,10,9,7) 87,774 4,920 3,617 266,226,249 33173 (3) 兩者差異=(2)-(1) - 5 1 0 97,603 32,556

(4)相差比率=(3)/(1) - 0.01% 0.02% 0% 0.04% - (5)節省時間比率=(3)/(2) - - - - 98.14%

由以上結果可發現，本研究所建構的基因演算法重工決策模式，與採用全數 搜尋法所得的結果，無論在面板期望產出或是目標函式值方面，兩者皆相當接近 甚至完全相等，而在求解時間方面，更可節省大量的運算時間，尤其當求解空間 越大時，越能加速運算效率。

5.4.3 製程良率高低之影響比較

此小節將探討 Array 及 CF 製程總良率的高低對於本研究所改善績效的影 響，而所謂的製程總良率，即為製程中各個 stage 的平均製程良率總乘積，此小 節便是給定幾組 Array 及 CF 製程總良率，推得各 stage 的平均製程良率，再利 用案例二一些成本參數資料為例，探討本研究改善程度的分析比較(為了避免良 率過低導致利潤為負的情形造成比較的不便，此處將案例二的各等級面板市場售 價皆提高為原先的 2 倍)，，比較結果如表 5.13：

表 5.13 製程良率高低之影響比較

TFT/CF 基板 良率

Array 每站 良率

CF 每站 良率

本研究 最佳決策

本研究 最佳利潤

1/2 重工決策 所得利潤

無重工決策 所得利潤

本研究改善 1/2 重工決策

的比率

=((1)-(2))/(2)

本研究改善 無重工決策 的比率

=((1)-(3))/(3) 0.95 0.975 0.99 (10,6,10,7,5,5,2) $2,020,924,446 $1,966,555,263 $1,966,552,886 2.76% 2.76%

0.9 0.95 0.98 (10,5,10,5,5,4,4) $1,763,256,245 $1,689,286,902 $1,689,194,566 4.38% 4.38%

0.8 0.895 0.956 (9,5,10,6,5,5,4) $1,225,854,953 $1,139,531,551 $1,136,598,809 7.58% 7.85%

0.7 0.837 0.931 (8,5,9,5,5,5,4) $749,816,160 $682,892,067 $668,573,795 9.80% 12.15%

0.6 0.775 0.903 (8,5,9,5,5,5,4) $343,881,439 $308,877,708 $277,729,393 11.33% 23.82%

由此結果可得知，當 Array 及 CF 製程總良率(TFT/CF 基板良率)越低時，本 研究所提的方法改善其他兩者的比率越高，特別是針對無重工決策而言，當製程 總良率越低時，本研究所求得的最佳重工決策改善程度遞增的更為明顯，這也說 明了，當製程的總良率不高時，一個良好的重工決策便顯得相當的重要，因為良 率越低，如不採用一良好的重工決策，將會導致 TFT 及 CF 基板良率分佈過於分 散，在進行組立作業時，容易有高良率配上低良率的情形發生，導致最終組立後 配對良率過低，也影響到最後各等級面板的產出數量。

第六章 結論與未來研究方向