随着5G通信技术和人工智能行业的火速发展,无论民用还是公用上,对于半导体芯片的需求均扶摇直上,同时也亟需半导体生产制造系统能够通过不断更新迭代满足快速制造生产需要。半导体生产制造系统的复杂程度在学术界和工业界得到广泛的认可,原因之一就在于和其他类型生产系统相比,前者需要同时考虑多种类型的复杂性约束,应用场景也更加局限和细致化。考虑到瓶颈站点的优化,将会有效提高生产系统的整体效率和效益,本文针对半导体封装测试流程中多个瓶颈站点,将其抽取为允许机器生产状态顺延和缺货,且机器安装状态更换成本和时间与产品加工顺序关联的批量规模和异速平行机调度问题。通过对决策变量进行重新定义,本文提出了两种新的混合整数规划模型,包括简化设备位置(SFL)模型和简化最短路(SSP)模型。算例证明:这两种模型可以为最优解提供更紧的线性松弛下界,且与最优解之间有更明显的线性关系。由于考虑了顺序依赖的生产准备时间,很难将原问题按照产品分解成多个单产品的批量调度子问题;同时由于考虑了安装状态顺延,很难将原问题按照时间分解成多个单一阶段的批量调度子问题。因此,本文首次提出了一种基于机器分解的Danzig Wolfe分解方式,利用解析推导证明了其与拉格朗日松弛问题相等。针对中大规模问题,传统列生成算法会出现严重退化现象,本文通过调用次梯度优化方法来保证并加速其最终达到收敛状态。本文进一步利用统计分析工具来观察最优解与线性松弛下界间相关性,发现其与SFL模型线性松弛解及Danzig Wolfe分解后的定价子问题解的相关性很强,并建立了统计评估模型(如广义线性模型)来定量描述这种关系,提供最优解中加工状态变量是否为1的概率信息。测试结果显示:模型预测结果与测试数据间~2取值很高。最后,本文将统计评估模型里获取的概率信息进一步使用到分支选择算法里,用于指导分支和选择两个关键环节,帮助确定每个分支子问题中需要优先被固定的加工状态变量,从而提高算法的优化效率。通过对多组算例进行全因子实验,结果表明:该算法在小规模问题中的求解效果与最优解之间的平均差距控制在1%以内。并且在所有规模测试算例中,该算法均能对松弛固定算法提供的解进行提升。