本研究將以半導體300mm(12吋)晶圓製造廠黃光區之自動化物料搬運系統(Automated Material Handling System，簡稱AMHS)為主要研究對象。黃光區負責的微影製程佔整個晶圓製造時間的40%到50%，可顯見黃光區的重要性。故在黃光區內的自動化物料搬運系統必須有一套良好的管理辦法。例如，有生產特性之派工法則及有搬運特性之派車法則；除此之外，最重要的是搬運車數量控管，在不同的系統負荷之下，必須尋找可負荷此晶圓投入量數之搬運車數。否則，過多或過少的搬運車將會造成系統整體績效低落；搬運車數量過少時，將造成晶舟等待搬運時間增長、機台使用率下滑；搬運車數過多時，將容易造成交通問題，如堵塞、死鎖之現象。找尋一趟良好的管理辦法，文獻上最常使用方法為透過模擬模式進行績效分析。
針對一複雜生產與搬運系統如何有效率進行模擬績效分析，找出最佳設計方案，是為本研究重心。傳統模擬方式為將各設計方案重複模擬N次，隨著實驗因子水準組和重複次數越多，其模擬次數相當龐大，往往會出現模擬運行時間過久，導致時間成本的浪費。本研究引用Lee等人在2010年發展MOCBA (Multiple Optimal Computing Budget Allocation)方法。針對方案數小且有限之問題，同時考量雙目標下，有效解決模擬計算資源分配問題。而方案數多之大型問題，本研究進一步設計一演算法-MOGA結合MCOBA，透過MOCBA決定各設計方案之模擬次數，MOGA在可行解域中進行最佳解搜尋。
最後，本研究以物件導向模擬軟體eMPlant建構一個黃光區intrabay複雜自動化物料搬運系統。透過模擬績效驗證方法論的可行性與有效性，提供給學者或業界人士在於模擬隨機問題決定模擬次數方法和探討黃光區最佳配置時一個參考建議。

摘要 I
謝誌 II
目錄 III
圖目錄 VI
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 3
1.3 研究目的 6
1.4 研究範圍 6
1.5 研究步驟與方法 7
第二章 黃光區自動物料搬運系統描述與問題定義 9
2.1 半導體晶圓生產製程介紹 9
2.2 黃光區生產系統與搬運系統行為描述 13
2.2.1 黃光區製程概述 13
2.2.2 黃光區設施規劃特色 15
2.2.3 黃光區生產(機台操作)行為 16
2.2.4 黃光區搬運(搬運車)行為 17
2.2.5 黃光區系統特性 19
2.3 影響黃光區系統因子 21
2.3.1 生產決策、搬運決策 22
2.3.2 車數 27
2.3.3 晶圓投入量 28
2.4 問題定義 28
2.5 問題假設 30
第三章 文獻回顧 32
3.1 晶圓廠自動化搬運系統相關文獻 32
3.1.1 搬運車管理 32
3.1.2 績效分析相關問題 34
3.2 模擬最佳化方法 36
3.2.1 Optimal Computing Budget Allocation(OCBA) 38
3.3 多目標最佳化問題 41
3.3.1 MOCBA(multi-objective computing budget allocation) 44
3.4 基因演算法 45
3.5 多目標基因演算法 47
第四章 MOCBA方法論 50
4.1 問題特性 50
4.2 MOCBA方法架構 51
4.3 MOCBA方法論(Lee,2010) 52
4.3.1 Pareto Optimality 53
4.3.2 Probability of Correct Selection -P{CS} 55
4.3.3 Asymptotic Allocation rule 57
4.3.4 MOCBA方法流程 63
4.4 案例情境說明與驗證 65
4.4.1 情境介紹 65
4.4.1.1 系統設施規劃 65
4.4.1.2 機台種類及數量 66
4.4.1.3 產品類型與加工途程 67
4.4.1.4 機台絕對位置 69
4.4.1.5 生產派工法則與搬運派車法則 70
4.4.2 模擬模式架構 78
4.4.3 案例模擬模式建構 79
4.4.3.1 模擬模式建構目的 79
4.4.3.2 模擬模式範圍與細緻度 80
4.4.3.3 模擬模式構建 81
4.4.3.4 自動物料搬運系統模式架構的建立 81
4.4.3.5 模式驗證與確認 84
4.4.4 實驗說明 86
4.4.4.1 實驗目的 86
4.4.4.2 高、低負荷晶圓投入量訂定 86
4.4.4.3 實驗因子 87
4.4.4.4 績效指標 88
4.5 案例模擬實驗結果分析 89
4.5.1 MOCBA和Equal Allocation模擬效率比較 90
4.5.2 敏感度分析 93
4.5.3 案例驗證 95
4.6 案例小結 98
第五章 MOCBA為基之大型問題啟發式演算法 99
5.1 MOGA結合MOCBA方法論 99
5.1.1 MOGA結合MOCBA模式 100
5.1.2 MOGA結合MOCBA之流程 109
5.2 案例驗證 111
5.2.1 模擬模式架構 111
5.2.2 實驗目的 113
5.2.3 實驗因子 114
5.2.4 績效指標 114
5.3 MOGA結合MOCBA求解實際大型問題結果分析 115
5.3.1 初始參數設定 115
5.3.2 收斂分析 116
5.3.3 敏感度分析 117
5.3.4 MOGA結合MOCBA演算法效率 120
5.3.5 案例驗證結果與分析 121
5.4 大型問題實際案例小結 123
第六章 結論與建議 124
6.1 結論 124
6.2 建議 125
參考文獻 127

1.周上傑，“晶圓廠自動化物料搬運系統之派車模擬研究”，清華大
學工業工程研究所碩士論文，1999。
2.郭曜賑，“UML為基礎之物件導向模擬模式發展程序方法論-晶圓廠
自動物料搬運系統為例”，清華大學工業工程研究所碩士論文，
1999。
3.顏柄榮，“半導體晶圓廠自動化物料搬運系統之模擬分析”，清華
大學工業工程與工程管理所碩士論文，2000。
4.吳俊寬，“晶圓廠連接式自動化物料搬運系統搬運策略之模擬研
究”，清華大學工業工程與工程管理所碩士論文，2001。
5.羅正忠、張鼎張，半導體製程技術導論，歐亞書局，2002.
6.楊景如，“晶圓廠自動化物料搬運系統之搬運車運作策略模擬研
究”， 清華大學工業工程與工程管理所碩士論文，2002。
7.張原銘，“晶圓廠之自動化物件搬運系統模擬研究-以黃光區與爐
管區為例”，清華大學工業工程研究所碩士論文，2003。
8.劉秋君，“晶圓廠黃光區之自動化物料搬運系統模擬分析” ，清
華大學工業工程研究所碩士論文，2010。
9.Carson, J. S., “AutoStat Output Statistical Analysis for
AutoMod Users”, Proceedings of the 1996 Winter
Simulation Conference, 492-499, 1996.
10.Chen, C. H., Lin, J., Y, “Ucesan, E., and Chick, S.
E.” Simulation Budget Allocation for Further Enhancing
the Efficiency of Ordinal Optimization.”, Discrete
Event Dynamic Systems. Vol.10, 251–270, 2000.
11.Campbell, E. , Wright, R. , Cheatham, J. , Schuiz, M. ,
Berry, J. L. , “Simulation Modeling for 300mm
Semiconductor Factories”, Solid State Technology,
Vol.43, Issue10, pp.95-106, 2000.
12.Chen, C. H., Fu, M., Lee, L. H., “Efficient Simulation
Budget Allocation for Selecting an Optimal Subset ”,
INFORMS Journal on Computing, 20(4), pp. 579–595, 2008.
13.Chew, E.P. Lee, L.H., Teng, S.Y., Koh, C.H. “
Differentiated Service Inventory Optimization Using
Nested Partitions and MOCBA.” Computers & Operations
Research , Vol.36, 1703 – 1710, 2009.
14.Chen, C. H., Lee, L. H.,” Stochastic Simulation
Optimization An Optimal Computing Budger Allocation”,
System Engineering and Operations Research, Vol.1, 2010.
15.Deb, K., Member, A., Pratap, A., Agarwal, S. and
Meyarivan, T., “ A Fast and Elitist Multiobjective
Genetic Algorithm”, IEEE Transaction on Evolutionary
Computation, 6(2), pp.182-197, 2002.
16.Dudewicz, E. J. and Dalal, S. R. “Allocation of
Observations in Ranking and Selection with Unequal
Variances”, Sankhya, B37: pp. 28-78, 1975.
17.Fonseca, C.M. and Fleming, P. J., “Genetic algorithms
for multiobjective optimization: Formulation, discussion
and generalization”, In Forrest, S., editor,
Proceedings of the Fifth International Conference on
Genetic Algorithms, pp.416-423, 1993.
18.Holland, J., “Adaptation in Natural and Artificial
Systems”, University of Michigan Press, 1975.
19.Horn, J., Nafploitis, N. and Goldberg, D. E., “A niched
Pareto genetic algorithm for multiobjective
optimization,” Proceedings of the First IEEE
Conference on Evolutionary Computation, pp.82–87, 1994.
20.He, D., Lee, L. H., Chen, C. H., “Simulation
Optimization Using the Cross-Entropy Method with Optimal
Computing Budget Allocation”, ACMTransactions on
Modeling and Computer Simulation, 20(1), Article 4,
Publication date, 2010.
21.Knowles, J. and Corne, D., “The Pareto Archived
Evolution Strategy : A New Baseline Algorithm for Pareto
Multiobjective Optimisation”, Proceedings of the 1999
Congress on Evolutionary Computation, pp.98-105, 1999.
22.Lee, L.H., Chew, E.P., Teng, S.Y., Goldsman, D.,”
Optimal computing budget allocation for multi-objective
simulation models.” Proceedings of the 2004 Winter
Simulation Conference,586–594.,2004.
23.Lee, L.H., Chew, E.P., Teng, S.Y., Chen, Y.,” Multi-
objective simulation-based evolutionary algorithm for an
aircraft spare parts allocation problem.” European
Journal of Operational Research ,189, 476–491,2008.
24.Lee, L.H., Chew, E.P., Teng, S.Y., Goldsman, D., ”
Finding the non-dominated Pareto set for multi-objective
simulation models.” IIE Transactions,42, PP.656–
674,2010.
25.Matejcik, F. J. and Nelson, B. L., “Simultaneous
Ranking, Selection and Multiple Comparisons for
Simulation”, Winter Simulation Conference, pp. 386-
391,1993.
26.Mackulak, G. T. and Savory, P., “A Simulation-Based
Experiment for Comparing AMHS Performance in a
Semiconductor Fabrication Facility”, IEEE Transactions
on Semiconductor Manufacturing, 14(3), pp.273-280, 2001
27.Nadoli, G. and Pillai, D, “Simulation in Automation
Material Handling Systems Design for Semiconductor
Manufacturing”, Proceeding of the 1994 Winter
Simulation Conference, pp.892-899, 1994.
28.Pierce, N. G., and Stafford R., “Modeling and
Simulation of Material Handling for Semiconductor Wafer
Fabrication”, Proceedings of the 1994 Winter Simulation
Conference, pp.900-906, 1994.
29.Rinott, Y. “On Two-stage Selection Procedures and
Related Probability Inequalities”, Communications in
Statistics A7, pp. 799-811, 1978.
30.Srinivas, N. and Deb, K., “Multiobjective Optimization
Using Nondominated Sorting in Genetic Algorithms”,
Evolutionary Computation, Vol.2, 221-248, 1994.
31.Schroeder, J. P., “Automation-Centric Processing Bay
Layout”, Semiconductor International, 20(6), pp.209-10,
212, 214, 1997.
32.S.G. Henderson and B.L. Nelson (Eds.), Handbook in OR &
MS, Vol. 13,2006.
33.Weiss, M., “Semiconductor Factory Automation”, Solid
State Technology, 39(1), pp.89-90, 92, 95-96, 1996.
34.Zitzler, E., “Evolutionary Algorithms for
Multiobjective Optimization: Methods and Applications”,
Ph.D. thesis, Swiss Federal Institute of Technology
(ETH) Zurich, Switzerland, 1999.