ترجمه تخصصی شبیه سازی فرآیند کسب و کار

به طور خاص طراح/آنالیزور BP (مرد چوب در سمت چپ) ابتدا از یک ویرایشگر BPMN برای ایجاد یک مدل BPMN (مصنوعی در پایین سمت راست) استفاده می کند. برای این منظور می توان از هر ویرایشگری استفاده کرد به شرط اینکه یک فایل XML با فرمت تبادل BPMN صادر شود. ما عمدتا از معمار تجاری Visual Paradigm [11] و ویراستاران YaPMiang BPMN  [47] ستفاده کردیم. پس از ایجاد، محصول مصنوعی BPMN را می توان در یک محصول نرم افزاری دیگری که از فرمت XML تبادل BPMN پشتیبانی می کند، وارد کرد. مدل BPMN سپس توسط طراح/آنالیزور BP با دو نوع پارامتر یعنی پارامترهای JSON و پارامترهای فاصله DOM (Document Object Model) از طریق رابط مدیریت غنی می شود. اولی نشان دهنده اطلاعات شبیه سازی اضافی جدول 1 و شکل 4 است، در حالی که دومی، بازه های مربوط به برخی پارامترهای JSON  را نشان می دهد. DOM  وJSON  فرمت هایی هستند که در آن، چنین پارامترهایی تولید شده و به اجزای دیگر منتقل می شوند. به طور خاص، DOM مخفف Document Object Model  [48]، یک کنوانسیون متقاطع و وابسته به زبان، برای نمایش و تعامل با اشیاء است، در حالی که JSON مخفف JavaScript Object Notation ، یک فرمت تبادل داده سبک وزن [49] است که برای ارسال چنین مواردی استفاده می شود. پارامترهای مربوط به موتور شبیه سازBimp  (یک جزء اصلی معماری Bimp )، یک شبیه ساز فرآیند تجارت مبتنی بر جاوا و یک پرونده نوشته شده در BPMN است و به شما امکان می دهد اطلاعات شبیه سازی را با فرمت JSON اضافه کنید. سپس سیاهه های مربوط به فرآیند و مقادیر KPI را صادر کنید. این می تواند به عنوان یک شبیه ساز عددی (تک ارزش) یا آماری استفاده شود. ما فقط از ویژگی های عددی سوءاستفاده کردیم  زیرا ویژگیهای آماری برای رویکرد با ارزش فاصله ما (قطعی) مناسب نیستند.

سفارش ترجمه تخصصی رشته مدیریت کسب و کار

 

شکل 11 اجرای رابط مدیریت را نشان می دهد. به طور خاص تر، شکل 11a رابط اصلی را برای تنظیم پارامترهای تک ارزش و با ارزش فاصله نشان می دهد. پس از بارگیری پروندهXML / BPMN ، رابط اصلی تعدادی صفحه با داده های ورودی مربوط به آن فرآیند خاص را نشان می دهد: پارامترهای هدف کلی، منابع، وظایف، وقایع واسط و گیت وی. پارامترهای شبیه سازی بیشتر می تواند توسط یک کاربر پیشرفته از طریق یک فایل پیکربندی متن ساده تنظیم شود

 

شکل11- رابط مدیریت IBimp

پس از تنظیم تمام پارامترها، رابط مدیریت، با کنترل اتصالات و تعامل بین مؤلفه های اصلی سیستم برنامه کنترل (Controller) ، مؤلفه ای را که به عنوان ارکسترترعمل می کند ، آغاز می شود. به طور خاص، کنترل کننده برنامه، مسئولیت این  موارد را دارد: (1)  گرفتن پارامترها (2) اجرای اجزای شبیه سازی هسته (3)  گرفتن داده های خروج و ورود به سیستم. شکل 11b کنسول شبیه سازی را با اطلاعات دقیق در مورد وضعیت شبیه سازی نشان می دهد. شکل 11c صفحه ترجیحات را با تمرکز بر انتخاب KPI نشان می دهد (موتور Bimp در حال حاضر از چهار KPI پشتیبانی می کند: هزینه کل، مدت کل، زمان کل چرخه و زمان چرخه متوسط . در کد منبع جاوا موتور، کلاس، KpiCalculator  را می توان برای اجرای KPI های دیگر تمدید کرد). سایر داده های خروجی و ورودی به سیستم، از طریق پرونده های log با فرمت مقادیر کاما (csv) حاصل می شوند. علاوه بر این، سیستم قادر است همانطور که در بخش آزمایشی نشان داده شده، بخشی از روند بهینه سازی را تولید کند. بهینه‌سازی توسط الگوریتم ژنتیک، یک جزء اصلی است که توسط Controller Application ایجاد شده استت. الگوریتم ژنتیک قادر است موتور Bimp Simulator Engine را کنترل کرده و پارامترهای مصنوعی JSON را فوراً معرفی کند  تا بتواند تعداد بالایی از ارزیابی های خروجی تک ارزشی را انجام دهد. هر کدام از پارامترهای مختلف JSON هنگامی که پارامترها همه دارای یک ارزش هستند، کنترل کننده برنامه الگوریتم ژنتیکی را در نظر نمی گیرند و خروجی شبیه سازی فقط از طریق موتور شبیه ساز Bimp محاسبه می شود. این سیستم با پیاده سازی های مختلف GA قابل استفاده است. در اجرای ما، ما از جعبه ابزار بهینه سازی MATLAB  [51] و جعبه ابزار شفیلد GA [52] استفاده کردیم. شکل 11d پارامترهای متداول را برای MATLAB GA نشان می دهد. پارامترهای ژنتیکی دیگری را می توان توسط یک کاربر پیشرفته از طریق پرونده های پیکربندی متن ساده تنظیم کرد. خواننده علاقه مند برای بحث دقیق در مورد پارامترهای ژنتیکی  به [21،44] مراجعه می کند.

6- مطالعات تجربی:

اگرچه چندین اثر در زمینه BPS منتشر شده است اما متأسفانه هنوز هم سناریوهای معیاری در مقالات وجود ندارد. در این بخش، کاربرد سیستم خود را در سه سناریوی آزمایشی و دو سناریو در دنیای واقعی بحث می کنیم. هدف از این بخش به طور خلاصه نشان دادن امکانات ارائه شده توسط شبیه ساز IBimp به جای تمرکز بر روی حل کامل سناریوها است. در همه موارد، شبیه سازی در ضبط بازده فرآیند، تحت یک متغیر خاص بیان شده توسط برخی پارامترهای دارای ارزش بازه است. علاوه بر این، هر سناریو امکان سوء استفاده از ویژگی های مختلف ابزار شبیه سازی را فراهم می آورد. بسته به سناریو، از کل مدت زمان و میانگین زمان چرخه به عنوان KPI های اصلی استفاده شده است. ما با استفاده از مقادیر اندازه جمعیت، تعداد زبده ها و شکاف متقاطع به ترتیب به 50 ، 2 و 0.7 ، نسخه MATLAB GA را در فرایند بهینه سازی تصویب کردیم. ما همچنین نسخه شفیلد GA را آزمایش کردیم (فقط به منظور تأیید صحت اعتبار کلیه فرآیند بهینه سازی).

6.1- سناریوی پیلوت (رهبر): حمل و نقل خرده فروشی سخت افزار

به عنوان اولین سناریو، یک خرده فروش سخت افزار را در نظر بگیرید که قبل از اینکه بتوانند کالاهای سفارش داده شده را به مشتری ارسال کنند، برخی مراحل را برای تحقق آماده می کنند. این سناریو از [53] آمده است و امکان آزمایش پدیده های صف بندی، در جریان همزمان را می دهد. شکل 12 نمودار فرآیند کسب و کار BPMN مربوط را نشان می دهد. در اینجا، رویداد شروع ساده "کالا برای حمل و نقل" نشان می دهد که آماده سازی در حال انجام است. پس از شروع روند کار، دو جریان به صورت موازی انجام می شوند: در حالی که منشی مجبور است تصمیم بگیرد که آیا این یک پستی معمولی است یا یک حمل و نقل ویژه، کارگر انبار می تواند از قبل شروع به بسته بندی کالا کند. این کار منشی با "حالت تحویل" گیت اختصاصی دنبال می شود: فقط یکی از دو شاخه زیر قابل عبور است. در صورت نیاز به حمل و نقل ویژه، منشی درخواست استعلام قیمت از حاملان مختلف را می کند، سپس یک حامل را اختصاص داده و مدارک را آماده می کند. اگر حمل و نقل پست معمولی خوب باشد، منشی باید بررسی کند که آیا بیمه اضافی لازم است یا خیر. در صورت نیاز به بیمه اضافی، مدیر تدارکات باید این بیمه را انتخاب کند. در هر صورت، منشی برای حمل و نقل باید یک برچسب پستی را پر کند. با استفاده از گیت وی فراگیر می توان نشان داد که همیشه یک شعبه گرفته می شود (در حالی که دیگری در صورت نیاز به بیمه اضافی صورت می گیرد).  اگر این مورد باشد، این می تواند به موازات شاخه اول اتفاق بیفتد. به دلیل همین موازی بودن، ما نیاز داریم که یک گیت وی فراگیر هماهنگ درست در پشت "پر کردن یک برچسب پست" و "بیمه اضافی" داشته باشیم. علاوه بر این، ما همچنین نیاز به هماهنگ سازی گیت وی موازی قبل از آخرین کار "اضافه کردن کاغذ و حرکت بسته برای انتخاب منطقه" داریم، تا مطمئن شویم که همه چیز قبل از انجام آخرین کار برآورده شده است.

سفارش ترجمه تخصصی رشته مدیریت کسب و کار
 

 

 

شکل12- فرآیند حمل و نقل خرده فروش سخت افزار: نمودار فرآیند BPMN

جدول 5 پارامترهای مدل را نشان می دهد  که برخی از آنها دارای ارزش فاصله هستند. ابتدا، با استفاده از پارامترهای تک ارزشی ، یک شبیه سازی تک ارزش از 100 نمونه انجام شده است. جداول 6 و 7 نتیجه را نشان می دهد. قابل ذکر است که صف های بسیار طولانی به خصوص در آخرین فعالیت ها وجود دارد که منتظر مدیریت بیمه اضافی هستند. پس از آن، یک شبیه سازی با فاصله زمانی انجام شده است ( با استفاده از فواصل زمانی در بعضی از کارها و منابع، همانطور که در ستون سمت راست جدول 5 بیان شده است). شکل 13a,b فرآیندهای بهینه سازی انجام شده توسط GA را نشان می دهد که بسیار سریع توصیف می شوند. همگرایی، فقط 15 نسل، در 4 دقیقه انجام شدند (نتایج در رایانه ای با یک Intel Dual Core i3-3220، 3.30 گیگاهرتز ، 8 گیگابایت رم به دست آمد). در نتیجه، کل بازه زمانی ارائه شده توسط سیستم، [577 ، 4363] ساعت است. این نتیجه مدت زمان کل سنجش شده بازه است (به دلیل تغییرپذیری برخی پارامترها در جدول 5).  با توجه به انتزاع شکل 7، نتیجه نشان دهنده یک ارزیابی واحد از یک تابع دارای ارزش بازه ای خاص با 6 پارامتر ورودی است(f₀:R⁶→R ). با تغییر پارامترهای سنجش شده وقفه (فاصله)، در یک منطقه مورد علاقه، می توان یک منحنی با ارزش بازه مشابه شکل 7 ایجاد کرد.

بنابراین ، این ابزار به دو روش قابل استفاده است: (1)  به عنوان مولد منحنی مشخصه مدل های مشمول عدم اطمینان، در ارتباط با پارامترهای ورودی (2) به عنوان ابزاری برای ارزیابی بدترین / بهترین موارد در یک منطقه محدود. برای نشان دادن راه دوم استفاده از سیستم، جدول 8 مقادیر پارامترهای مورد استفاده توسط GA را برای داشتن حداقل و حداکثر KPI ، یعنی بهترین فرد در هر دو فرآیند بهینه سازی نشان می دهد. در اینجا می توان خاطرنشان کرد که به حداقل رساندن KPI با استفاده از منابع زیاد و مدت زمان کم کارها انجام می شود. علاوه بر این، به حداکثر رساندن KPI با استفاده از تعداد کمی از منابع رخ می دهد. این امر منطقی به نظر می رسد. از آنجا که منابع جدید کل روند را سرعت می بخشند، مدت کارها باید با مدت زمان انجام سایر کارهای هماهنگ سازگار باشد تا بتواند پدیده های صف بندی را کاهش دهد. عاملها و راهبردهای مختلف ژنتیکی ممکن است راه حل های مختلفی برای مشکل پیدا کنند. یک مطالعه مقایسه ای می تواند به صورت کارآمد به عنوان کار آینده انجام شود.

نام پارامتر	نوع پارامتر	مقدار پارامتر	فاصله پارامتر
نرخ ورود	نرخ زمان	120s
اگر پست عادی است تصمیم بگیرید	مدت زمان	60s
بررسی کنید اگر اضافی است	مدت زمان	60s
درخواست استعلام	مدت زمان	1300s	[1200,2400]s
اختصاص یک شرکت حمل	مدت زمان	500s	[300,600]s
خارج کردن اضافات	مدت زمان	900s	[600,1200]s
پر کردن برچسب پست	مدت زمان	500s
قرار دادن کاغذ	مدت زمان	900s
بسته بندی کالا	مدت زمان	900s
پست نرمال	درصد	80%
حمل ویژه	درصد	20%
بیمه اضافی نیاز است	درصد	20%
مدیر لوجستیک	واحد	1	[1,5]
کارمند	واحد	1	[1,5]
کارگر انبار	واحد	1	[1,5]

جدول5- پارامتره

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ا و مقادیر آنها برای سناریوی حمل و نقل

KPI	مدت زمان (h)
کوتاه ترین اجرا	7.5
طولانی ترین اجرا	68.7
مدت زمان کلی	4289.6
مدت زمان میانگین	46.9

 

 

 

 

 

 

 

 

جدول6- KPI ها، با استفاده از پارامترهای تک ارزش، برای 100 نمونه

کار	میانگین زمان انتظار (s)
قرار دادن کاغذ	60,498
اختصاص یک شرکت حمل	30,724
بررسی کنید اگر بیمه اضافی است	28,017
اگر پست نرمال است بررسی کنید	9,272
پر کردن برچسب پست	31,607
بسته بندی کالا	39,258
استعلام حمل	23,799
بیمه اضافی بگیرید	432

 

 

 

 

 

 

 

 

 

 

 

جدول7- میانگین زمان انتظار، در 100 مورد

پارامتر/ KPI	بهینه سازی: پارامترهای نهایی
	به حداقل رساندن	به حداکثر رساندن
مدیر لوجستیک	5	5
کارمند	5	1
کارگر انبار	5	1
درخواست مظنه	1605s	1449s
اختصاص یک حمل کننده	301s	557s
بیرون بردن اضافات	667s	601s
مدت زمان کلی	577h	4363h

 

 

 

 

 

 

 

 

 

 

 

جدول 8- نتایج با ارزش بازه

 

شکل13- مدت کل در برابر تعداد نسل های مختلف برای فرآیند حمل و نقل

6.2- سناریوی رهبری: مرکز اورژانس بیمارستان

سناریوی آزمایشی دوم از [54] آمده است و به مدل های آزمایش با چندین جریان اختصاصی اجازه می دهد. شکل 14 نمودار فرآیند BPMN را نشان می دهد. عملیات مرکز اورژانس بیمارستان (HEC) را در نظر بگیرید. این روند از زمانی شروع می شود که یک بیمار از طریق بستری در اتاق ورودی HEC وارد می شود و وقتی بیمار یا از HEC آزاد می شود یا برای معالجه بیشتر در بیمارستان بستری می شود، پایان می یابد. بیماران وارد شده به خودی خود، پس از بستری، وارد سیستم می شوند و وضعیت آنها (Triage) ارزیابی می شود. بسته به شرایط آنها، بیماران باید مراحل ثبت نام و روند درمانی را طی کنند. بیماران ورودی با توجه به شرایط آنها به کدهای مختلف (سطوح) طبقه بندی می شوند. کد قرمز، بیماران حیاتی تر هستند. بیمارانی که با آمبولانس مراجعه می کنند ابتدا به آن ها کد قرمز اختصاص داده می شود و بلافاصله پس از بستری به اورژانس (ER) منتقل می شوند. هنگامی که در اتاق هستند، تحت معالجه قرار می گیرند. سرانجام، آنها مراحل ثبت نام را قبل از بستری شدن در بیمارستان برای معالجه بیشتر تکمیل می کنند. در مقابل، بیماران کد زرد و سبز ابتدا باید با یک کارمند اداری وارد سیستم شوند. پس از ورود به سیستم، وضعیت آنها توسط یک پرستار تریاژ ارزیابی می شود. چنین بیمارانی ابتدا باید ثبت نام خود را تکمیل کرده و سپس به درمان خود ادامه دهند. سرانجام، آنها یا در بیمارستان آزاد می شوند یا در بیمارستان بستری می شوند. HEC، دارای منابع زیر است: پرستاران، پزشکان، تکنسین ها، کارمندان اداری، اتاق های پزشکی و اداری.

 

شکل14- مرکز اورژانس بیمارستان: نمودار فرآیند BPMN

جدول 9 پارامترهای مدل را نشان می دهد  که پنج مورد از آنها دارای ارزش بازه هستند. ابتدا با استفاده از پارامترهای تک ارزش، یک شبیه سازی تک ارزش از 100 نمونه انجام شده است. جدول 10 نتیجه را نشان می دهد. پس از آن با استفاده از فواصل زمانی در بعضی از کارها و منابع، یک شبیه سازی با بازه انجام شده است (آخرین ستون جدول 9). از نظر همگرایی، 50 نسل بررسی شد. شبیه سازی کل 12 دقیقه به طول انجامید (نتایج در رایانه با رم Intel Dual Core i3-3220،3.30 گیگاهرتز ، 8 گیگابایت رم بدست آمد).

نام پارامتر	نوع پارامتر	مقدار پارامتر	بازه پارامتر
نرخ ورود	نرخ زمان	900s
پذیرش	مدت زمان	30s
پذیرش	هزینه	€0.24
ورود	مدت زمان	192s	[100,200]s
ورود	هزینه	€1.55	[150,400]s
تریاژ	مدت زمان	324s	[300,700]s
تریاژ	هزینه	€11.95
ثبت	مدت زمان	570s
ثبت	هزینه	€4.59
پذیرش	مدت زمان	223s
پذیرش	هزینه	€1.79
ترخیص	مدت زمان	132s
ترخیص	هزینه	€1.06
درمان	مدت زمان	1554s
درمان	هزینه	€80.69
تنظیم	مدت زمان	1275s
تنظیم	هزینه	€10.28
با آمبولانس؟	درصد	6%
کد قرمز (بعد از تریاژ)؟	درصد	10%
کد قرمز (بعد از پذیرش)؟	درصد	18%
کد قرمز (بعد از درمان)؟	درصد	14.5%
پذیرش؟	درصد	10%
اتاق اورژانس	واحد	3	[2,5]
اتاق تریاژ	واحد	2	[1,3]

جدو

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ل9- پارامترها و مقادیر آنها برای سناریوی بیمارستان

KPI	مدت
کوتاه ترین اجرا	20.8m
طولانی ترین اجرا	256.3m
مدت زمان کلی	116.3h
مدت زمان میانگین	69.8m

 

 

 

 

 

 

 

 

جدول 10- KPI ها ، با استفاده از پارامترهای تک ارزش ، برای 100 نمونه

در نتیجه، کل بازه زمانی ارائه شده توسط سیستم، [62.25 ، 124.26] ساعت است. جدول 11 مقادیر پارامترها را نشان می دهد که توسط GA برای حداقل و حداکثرKPI ، یعنی بهترین فرد در هر دو فرآیند بهینه سازی استفاده شده است. می توان خاطرنشان کرد که به حداقل رساندن KPI با استفاده از تعداد زیاد اتاق اورژانس و تعداد کم اتاق های تریاژ انجام می شود

پارامتر/ KPI	بهینه سازی: پارامترهای نهایی
	به حداقل رساندن	به حداکثر رساندن
اتاق اورژانس	4	2
اتاق تریاژ	1	1
ثبت	300s	696s
تریاژ	165s	360s
ورود	132s	165s
مدت زمان کلی	62.25h	62.25h

 

 

 

 

 

 

 

 

 

جدول11- نتایج با ارزش فاصله

 

شکل15- مدت کل در مقابل تعداد نسل ها برای روند بیمارستان

برای بررسی بهتر حساسیت تعداد اتاق های اورژانس می توان پیشرفت دقیق KPI را در طی مراحل به حداقل رساندن و حداکثر رساندن، به ترتیب در جداول 12 و 13 بررسی کرد. به طور خاص تر، در جدول 12،کاهش حدود 6 ساعت در کل مدت زمان، به دلیل کاهش تعداد انگشت شماری از مدت زمان تریاژ و ثبت نام ، به رغم تعداد اتاق های تریاژ، کاهش یافته است در جدول 13 ، افزایش حدود 20 ساعت در کل مدت زمان را می توان به اتاق های کمتر تریاژ و افزایش اندک زمان ثبت نام و ورود به سیستم اختصاص داد.

 

 

6.3- سناریوی پیلوت: شرکت بیمه

سناریوی پیلوت سوم از [54] آمده است و امکان آزمایش بهینه سازی در استفاده از منابع را فراهم می آورد. یک بخش مطالبات شخصی در یک شرکت بیمه، مطالبات مطرح شده توسط مشتریان خود را بر عهده می گیرد. شکل 16 نمودار فرآیند BPMN را نشان می دهد. خط سیراول مربوط به کارهایی است که توسط یک مدرک واقع در مرکز خدمات محلی مشتری انجام می شود. به محض ورود یک ادعا، ارزیاب تعیین می کند که مشتری دارای یک سیاست معتبر است یا خیر. اگر نه، پس پرونده خاتمه می یابد. در غیر این صورت، ارزیاب اطلاعات مناسب را در سیستم وارد می کند. در خط سیر دوم، یک ارزیاب واقع در مرکز، خدمات داده ها را از اداره کننده مطالبات دریافت می کند. ارزیاب ابتدا مشخص می کند که آیا این ادعا تحت پوشش سیاست مشتری قرار گرفته است یا خیر. اگر نه، پرونده خاتمه یافته است. در غیر این صورت، ارزیاب تخمین اولیه خسارت را تأیید می کند. اگر خسارت بیش از 2000 دلار باشد، ادعا برای تأیید و ارزیابی به دفتر مرکزی ارسال می شود. در غیر این صورت، آن را به طور مستقیم به یک ارزیاب ارشد ارسال می کنند. خط سیر 3 با ارزیاب در مقر مطابقت دارد. ارزیاب ابتدا اجازه بررسی محل حادثه را می دهد. اگر تحقیقات مشخص کنند که این حادثه تحت پوشش سیاست مشتری قرار نمی گیرد، پرونده به پایان می رسد. در غیر این صورت قیمت نهایی تعیین می شود و پرونده تصویب می شود. در خط سیر4 ، ارزشیاب ارشد ادعا را دریافت می کند، آن را بررسی می کند، تکمیل می کند و تأییدیه نهایی را ارائه می دهد. پس از تأیید ادعا، به کنترل اسناد ارسال می شود. کنترل اسناد، در خط سیر 5 وظیفه پردازش پرداخت به مشتری، بستن پرونده و درنهایت تشکیل پرونده را دارد. مشکل دراین مثال، یافتن کارآمدترین سطح کارکنان برای هر یک از پنج نوع منبع است.

سفارش ترجمه تخصصی رشته مدیریت کسب و کار
 

شکل16- فرآیند مطالبات شخصی در یک شرکت بیمه: نمودار فرآیند BPMN

 

جدول 14 پارامترهای مدل را نشان می دهد. اول، یک شبیه سازی تک ارزش از 100 نمونه انجام شده است. جدول 15 KPI های حاصل را نشان می دهد.

نام پارامتر	نوع پارامتر	مقدار پارامتر
نرخ ورود	نرخ زمان	5دقیقه
دریافت ادعا	مدت	2دقیقه و 12ثانیه
ورود داده ها به سیستم	مدت	10دقیقه و 32 ثانیه
بررسی و رسیدگی	مدت	19دقیقه و 28 ثانیه
تأیید مقدماتی ...	مدت	3دقیقه و 54 ثانیه
مجوز در سایت ...	مدت	2دقیقه و 46 ثانیه
تعیین قیمت…	مدت	37دقیقه و 16ثانیه
تصویب پرونده	مدت	2دقیقه و 10 ثانیه
چک کردن پرونده مدعی	مدت	3دقیقه و 38 ثانیه
تصویب پرونده مدعی	مدت	1دقیقه و 18 ثانیه
ارسال پرداختی ها به ادعاکننده	مدت	7دقیقه و 11 ثانیه
بستن پرونده	مدت	1دقیقه و 46 ثانیه
بایگانی کردن ادعا	مدت	3دقیقه و 22 ثانیه
بیمه نامه معتبر است؟	درصد	95%
تحت پوشش حادثه (مرکز خدمات ارزیاب)؟	درصد	95%
حادثه تحت پوشش (ستاد ارزیابی)؟	درصد	98%
بیش از 2000 دلار؟	درصد	35%
رسیدگی به ادعاها	واحد	10
مرکز خدمات ارزیاب	واحد	10
ارزیابی HQ	واحد	10
ارزشیاب ارشد	واحد	10
کنترل اسناد	واحد	10

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول14- پارامتر و مقادیر آنها برای سناریو بیمه

KPI	مدت
کوتاه ترین اجرا	132s
طولانی ترین اجرا	95.6m
مدت زمان کلی	107h
مدت زمان میانگین	64.3m

 

 

 

 

 

 

 

جدول 15- KPI ها ، با استفاده از پارامترهای تک ارزش ، برای 100 نمونه

پس از آن ، با استفاده از فواصل [5 و 20] بر روی منابع، یک شبیه سازی با بازه انجام شده است. GA ، در 40 نسل همگرا شده و در 11 دقیقه انجام شده است (نتایج در رایانه با یک Intel Dual Core i3-3220 ، 3.30 گیگاهرتز ، 8 گیگابایت رم به دست آمد). در نتیجه، کل بازه زمانی ارائه شده توسط سیستم، [96.5 ، 109.7] ساعت است. با کمال تعجب، استفاده از منابع کمتر، مدت کل کوتاه تری را ایجاد می کند. جدول 16 مقادیر پارامترها را نشان می دهد که توسط GA برای حداقل و حداکثر KPI ، یعنی بهترین فرد در هر دو فرآیند بهینه سازی، استفاده شده است. علاوه بر این، تفاوت اصلی بین به حداقل رساندن و حداکثر رساندن را می توان به تعداد منابع HQ ارزیاب نسبت داد. این امر به راحتی با کاهش فواصل و شروع مجدد شبیه ساز قابل تأیید است. بنابراین، شبیه ساز با ارزش فاصله ما اجازه می دهد تا نقشه برداری را در سطوح مختلف جزئیات انجام دهیم و بنابراین، در وضوح مدل های مختلف تشکیل می شوند.

پارامتر/ KPI	بهینه سازی: پارامترهای نهایی
	به حداقل رساندن	به حداکثر رساندن
اتاق اورژانس	14	16
اتاق تریاژ	5	8
ثبت	13	6
تریاژ	10	11
ورود	19	19
مدت زمان کلی	96.5h	109.7h

 

 

 

 

 

 

 

 

 

جدول16- نتایج با ارزش فاصله

6.4- سناریوی دنیای واقعی: ترمینال کانتینر دریایی

این سناریو یک تجربه در دنیای واقعی، از کاربرد شبیه سازی با ارزش فاصله ما در زمینه ترمینال کانتینری دریایی واقع در بندر لغورن (ایتالیا) را ارائه می دهد. ترمینال کانتینر دریایی مکانی است که کانتینرهایی که از طریق کشتی های دریایی وارد می شوند به ناوهای درون شهری مانند کامیون، قطار و بالعکس منتقل می شوند. هر ترمینال کانتینر دریایی، چهار کارکرد اصلی را انجام می دهد: دریافت، ذخیره سازی، مرحله بندی و بارگیری برای واردات و صادرات. دریافت، شامل ورود کانتینر به ترمینال (چه به عنوان واردات یا صادرات)، ثبت ورود آن، بازیابی اطلاعات لجستیکی مربوطه و افزودن آن به موجودی فعلی است. ذخیره سازی، عملکرد قرار دادن کانتینر در یک مکان شناخته شده و ضبط شده به منظور بازیابی آن در هنگام لزوم است. مرحله بندی، کارکرد تهیه کانتینر، برای خروج از ترمینال است. کانتینرهایی که صادر می شوند، شناسایی و ساماندهی شده اند تا فرآیند بارگذاری، بهینه شوند. کانتینرهای وارداتی، مراحل مشابهی را دنبال می کنند، اگرچه مرحله بندی همیشه انجام نمی شود. یک استثناء گروهی از کانتینرها است که از طریق راه آهن، ترمینال را ترک می کنند. سرانجام، عملکرد بارگیری شامل قرار دادن یک کانتینر، به طور صحیح در کشتی، کامیون یا وسیله حمل و نقل دیگری است.

در این کار، تأکید بر لجستیک داخلی است. به طور خاص، هدف از این مطالعه، ارزیابی میزان راه حل های فناوری اطلاعات است که می تواند راندمان کلی فرآیند را بهبود ببخشد. مدل as-is از 5 خط، 22 کار، 9 گیت وی و 7 نوع منبع (انواع مختلف ماشین آلات) ساخته شده است. پارامترهای فاصله توسط تعدادی مصاحبه و اندازه گیری حاصل شد. شبیه سازی با در نظر گرفتن 20 فرد در جمعیت ، 2000 کانتینر و در 6 نسل همگرا انجام شد که 16 دقیقه به طول انجامید (نتایج در رایانه با رم Intel Dual Core i3-3220 ، 3.30 گیگاهرتز ، 8 گیگابایت رم بدست آمد). شایان به ذکر است که این زمان شبیه سازی، کاملاً به تعداد نسبتاً زیاد کانتینرهای مورد استفاده در یک شبیه سازی Bimp بستگی دارد و نه به تعداد شبیه سازی های Bimp که توسط GA ایجاد می شوند. در نتیجه، حداقل مدت زمان کلی 86.63 ساعت ارزیابی شد. علاوه بر این، زمان انتظار زیادی، بیشتر به دلیل عدم هماهنگی بین منابع برآورد شد.

برای بهبود روند فناوری های ردیابی بی سیم، مانند RFID و GPS اتخاذ شدند. مدل to-be از تعدادی تنظیمات ساخته شده است که قادر به همگام سازی بین ماشین آلات هستند. شبیه سازی جدید با توجه به اینکه دوباره 20 فرد در جمعیت، 2000 کانتینر و در 17 نسل همگرا شده اند، انجام شد 38 دقیقه به طول انجامید (نتایج در رایانه با یک Intel Dual Core i3-3220، 3.30 گیگاهرتز، 8 گیگابایت رم به دست آمد). در نتیجه، حداقل مدت زمان کل 18.19 ساعت با استفاده از منابع بهتر، همانطور که در شکل 17 نشان داده شده است ، ارزیابی شد.

سفارش ترجمه تخصصی رشته مدیریت کسب و کار
 

 

شکل17- استفاده از منابع در as-is (a) to-be (b)مدل

6.5-سناریوی دنیای واقعی: شرکت تولیدی

این سناریو تجربه واقعی در استفاده از ابزار شبیه سازی، با ارزش بازه ما را در زمینه فرآیند خرید یک شرکت پیشرو در زمینه تولید قطعات خودرو و کامیون ارائه می دهد. به طور خاص، هدف از مطالعه، بهبود بهره وری کلی فرایند سفارش خرید بود. مدل as-is  از 2 استخر، 7 خط، 24 کار و 7 گیت وی ساخته شده است. پارامترهای فاصله توسط تعدادی مصاحبه و اندازه گیری حاصل شد.KPI ، میانگین زمان چرخه (ACT) است. با در نظر گرفتن 25 سفارش خرید، ابتدا یک شبیه سازی تک ارزش انجام شد(ACT). حاصل حدود 42 روز بود. به منظور ارزیابی این نتیجه، یک شبیه سازی فاصله انجام شد که در 15 نسل همگرا شد و 20 نفر را در جمعیت به کار گرفت. این شبیه سازی 6 دقیقه به طول انجامید (نتایج در رایانه با رم Intel Dual Core i3-3220 ، 3.30 گیگاهرتز ، 8 گیگابایت رم بدست آمد). در نتیجه، ACT اندازه گیری شده در حدود [28 ، 54] روز بود. از این رو، ACT قابل کاهش است. شکل 18 مقادیر پارامتر برای KPI-as-is ، حداقل و حداکثر را نشان می دهد.

قابل ذکر است که حداکثر KPI ممکن است عمدتاً به مدت طولانی وظایف "تصویب رئیس ارشد مالی" و "مواد و تأییدیه تحویل" اختصاص داده شود. این ممکن است با کاهش فواصل و شروع مجدد شبیه ساز به راحتی تأیید شود. در واقع، پارامتر، با ارزش فاصله اجازه می دهد تا به طور قابل توجهی تعداد آزمایشات در تحقیقات افزایشی را کاهش دهد.

 

شکل18- مدت زمان انجام وظایف مربوطه  در حداقل و حداکثر مدل KPI-as-is

7- نتیجه گیری و تحقیقات آینده

در این مقاله ، رویکرد جدیدی از شبیه سازی فرآیندهای تجاری ارائه شده است. این رویکرد به نمایندگی از پارامترهای فرآیند تجارت از نظر فواصل استوار است تا بتواند به طور مؤثر فرآیندهای انسانی محور را توصیف کند. یک ابزار شبیه سازی با ارزش فاصله در پنج سناریو طراحی، توسعه و آزمایش می شود. با توجه به فواصل ورودی، سیستم از یک موتور شبیه سازی عددی، براساس استاندارد BPMN و یک الگوریتم ژنتیک برای محاسبه فاصله خروجی (KPI) استفاده می کند. استفاده از BPMN امکان استفاده از این ابزار، توسط دارندگان فرآیند را فراهم می کند که این یک شرط مهم در مطالعات شبیه سازی BP است. با این حال، مهمترین نقطه قدرت، امکان مقابله با پارامترهای دارای ارزش بازه ای است که توسط پسوند ارائه شده است. در واقع رویکرد پیشنهادی، ضعف اساسی در ابزارهای موجود را که با نمایندگی های چندارزشی سروکار دارند، حل می کند که به یک مجموعه داده نیاز دارند. علاوه بر این، داده های دارای ارزش فاصله ای، قطعی هستند و از این رو برای تصمیم گیری مناسب تر هستند.

نتایج تجربی نشان داده است که GA پذیرفته شده، یک انتخاب مناسب بوده است زیرا رویکرد ما امکان تجزیه و تحلیل کارآمد از خواص جالب فرآیندهای مشاهده شده را فراهم آورده است: (1) بدترین / بهترین موارد در یک منطقه محدود (2) مقادیر پارامتر مربوط به موارد مورد علاقه (3) اهمیت برخی از مقادیر پارامتر، با توجه به موارد مورد علاقه و (5) تجزیه و تحلیل در سطوح مختلف جزئیات. سایر راهکارهای مبتنی بر ژنتیک ممکن است در ارائه نوع مشکل بهینه سازی برطرف شده در این کار، با ارائه انواع مختلفی از راه حل ها، مؤثر باشد. بنابراین به عنوان تحقیقات آینده، ما قصد داریم تا استفاده از روش های مختلف بهینه سازی مبتنی بر ژنتیک را بررسی کنیم  تا بتوانیم یک مقایسه داشته باشیم. عملکرد زمان شبیه سازی شبیه ساز IBimp می تواند یک محدودیت، با توجه به عملکرد شبیه سازی زمان شبیه ساز سریع رعد و برق Bimp باشد زیرا GA ها با پیچیدگی، مقیاس خوبی ندارند. در کارهای بعدی، این محدودیت، با کاوش در متا اوریستونیستی، مانند بازپخت شبیه سازی شده  که باعث می شود یک مراوده خوب بین دقت و عملکرد کاهش یابد، برداشته شد. سرانجام برای انجام ارزیابی عملکرد، از ابزار شبیه سازی ما بر روی KPI های دیگر (مانند کل هزینه) و همچنین بر روی چندین KPI (یعنی بهینه سازی چند هدفه)، یک فعالیت تحقیقاتی کلیدی برای کارهای بعدی در نظر گرفته شده است