ترجمه تخصصی چرخه مدیریت فرآیند کسب و کار

ابتکار مدیریت BP با هدف ایجاد فرآیندهای قابل مشاهده و اندازه گیری، به منظور بهبود مداوم آنها صورت می گیرد. چرخه عمر مدیریت BP از طریق تکرار مراحل شناسایی، کشف، تجزیه و تحلیل، بهبود، پیاده سازی و نظارت، کنترل های بهبود یافته ای را ایجاد می کند [4،8،28،29]. مرحله شناسایی، نمای کلی ای از روند را تعیین می کند، در حالی که مراحل کشف و تجزیه و تحلیل، نمایی از روند کار دارند و به ترتیب مسائل مربوط به فرآیند را بهبود می بخشند. مراحل بهبود و پیاده سازی، تغییرات را برای برطرف کردن موارد فوق شناسایی می کند و مدل کارآمد را مؤثر می کند. سرانجام، در مرحله نظارت و کنترل، موارد فرآیند، برای تکرار بعدی چرخه مدیریت BP بررسی می شوند. بنابراین، مدیریت یک فرآیند، نیاز به تلاش مستمر دارد. به همین دلیل است که مراحل چرخه مدیریت BP باید مدور باشد، یعنی خروجی مرحله کنترل و کنترل به مرحله کشف و تجزیه و تحلیل به بهبود بازگردند.

سفارش ترجمه تخصصی مقالات مدیریت

 

تجزیه و تحلیل BP که تمرکز این مقاله است، معنای نسبتاً وسیعی را شامل می شود که شامل شبیه سازی، تشخیص، تأیید و تحلیل عملکرد BP ها می باشد. تجزیه و تحلیل BP باید با توجه به نقش ها و مسئولیت ها، دیدگاه های سطح زنجیره تأمین و سطح شرکت را نسبت به فرآیندها ارائه دهد. ابزارهای تجزیه و تحلیل BP باید توسط مدیران سازمان و نه توسط متخصصان قابل استفاده باشند. سه نوع تجزیه و تحلیل را می توان در این زمینه در نظر گرفت: (1) تجزیه و تحلیل نمودار، مربوط به مدل های مبتنی بر گردش کار که مشخصات سطح بالا از تعامل سیستم را قادر می سازد، ادغام سیستم را بهبود می بخشد و ازتجزیه و تحلیل عملکرد پشتیبانی می کند (2) تجزیه و تحلیل رسمی/ ریاضی که با هدف تعیین شاخص های عملکرد مربوط به دستیابی به اهداف استراتژیک انجام می شود [9] و (3) تجزیه و تحلیل مبتنی بر زبان که تجزیه و تحلیل الگوریتمی را برای اعتبارسنجی، تأیید و ارزیابی عملکرد امکان پذیر می کند [32]. به طور خاص، ارزیابی عملکرد با هدف توصیف، تجزیه و تحلیل و بهینه سازی رفتار پویا و وابسته به زمان سیستم ها انجام می شود [30]. سطح عملکرد، بر ارزیابی توانایی گردش کار، برای تحقق الزامات، با توجه به مقادیر هدف KPI متمرکز است.

اندازه گیری عملکرد یا KPI مقداری است که می تواند به صورت نامشخص، برای یک BP معین تعیین شود (به عنوان مثال، چندین هزینه مانند هزینه تولید، هزینه تحویل و هزینه منابع انسانی). پالایش بیشتر می تواند از طریق یک تابع تجمیع، مانند شمارش، میانگین، واریانس، صدک، حداقل، حداکثر یا نسبت انجام شود( به عنوان مثال ، متوسط هزینه تحویل برای هر مورد). به طور کلی، زمان، هزینه و کیفیت ابعاد اساسی برای توسعه KPI است. تعریف اقدامات عملکرد کاملاً به تعریف اهداف عملکرد مرتبط است. نمونه ای از یک هدف عملکرد ، این است که به مشتری باید در کمتر از 30 دقیقه خدمت رسانی شود. یک نمونه مرتبط از عملکردی که دارای عملکرد جمع آوری است، درصد مشتریانی است که در کمتر از 30 دقیقه به آن ها خدمت می کنند.هدف دقیق تر بر اساس این معیار عملکرد ، درصد این مشتری ها باید بالاتر از 99٪باشد.

BPS ، تشخیص فرآیند (به عنوان مثال  تجزیه و تحلیل) را تسهیل می کند به این معنا که با شبیه سازی موارد دنیای واقعی، تجزیه و تحلیل می تواند انجام شود.  شبیه سازی، یک تکنیک بسیار انعطاف پذیر برای به دست آوردن ارزیابی از عملکرد روند فعلی و  یا فرموله کردن فرضیه ها در مورد طراحی مجدد فرایند ممکن است. BPS در تصمیم گیری از طریق ابزارهایی که امکان تجزیه و تحلیل رفتار فعلی یک سیستم را دارند کمک می کند. BPS همچنین به پیش بینی عملکرد سیستم، تحت تعدادی از سناریوهای تعیین شده توسط تصمیم گیرنده کمک می کند.

3.2- شبیه سازی فرآیند کسب و کار:

بسته های شبیه سازی مدرن، امکان تجسم و تجزیه و تحلیل عملکرد یک فرآیند داده شده را فراهم می آورد و اغلب برای ارزیابی رفتار پویا از طرح های جایگزین استفاده می شود. تجسم و رابط کاربری گرافیکی، در ساخت فرآیند شبیه سازی کاربر پسندتر مهم هستند. مهمترین مزیت تحلیل مبتنی بر شبیه سازی، این است که می تواند عملکرد فرآیند را با استفاده از تعدادی اقدامات کمّی پیش بینی کند [13]. به این ترتیب، وسیله ای برای ارزیابی عملکرد فرآیند تجارت، برای تعیین رفتار ناکارآمد فراهم می کند. بنابراین، داده های اجرای تجارت می توانند از ابزارهای شبیه سازی، مدل های ریاضی بهره برداری و بهینه سازی فرآیند تجاری استفاده می کنند. مدل های فرآیند دینامیکی می توانند با ارائه معیارهای کمی فرآیند (مانند هزینه، چرخه، زمان، توانایی سرویس و استفاده از منابع)، تجزیه و تحلیل سناریوهای فرآیند جایگزین را امکان پذیر کنند. این معیارها پایه ای برای ارزیابی گزینه های جایگزین و انتخاب امیدوار کننده ترین سناریو برای اجرا هستند. با این حال،BPS  دارای معایبی است. بعضی از نویسندگان به دلیل پیچیدگی و دانش مورد نیاز، هزینه های زیادی را شامل می شوند و زمان زیادی برای ساختن یک مدل شبیه سازی دارند. دلیل اصلی، این است که فرآیندهای کسب و کار، شامل فعالیت های مبتنی بر انسان است که با عدم اطمینان، عدم دقت، تغییرپذیری و پویایی مشخص می شوند. حتی اگر این شبیه سازی به دلیل توانایی در کمک به برنامه ریزی بلند مدت و تصمیم گیری استراتژیک شناخته شده باشد، به دلیل مشکل در دستیابی به داده های زمان واقعی، در یک روش اصلی، برای تصمیم گیری عملیاتی در نظر گرفته نشده است [33]. رجرس و همکاران [22] مفهوم شبیه سازی کوتاه مدت را معرفی کردند. آنها در ادامه به آزمایش شبیه سازی های کوتاه مدت از وضعیت سیستم فعلی پرداختند تا به جای رفتار حالت پایدار، رفتار زودگذر سیستم را تحلیل کنند [34]. در [35] ، یک معماری تجزیه و تحلیل کوتاه مدت، در زمینه ابزارهای گردش کار، به طور گسترده و بدون تمرکز خاصی در تأمین منابع طراحی شد. یک نمونه از سؤال معمول، برای یک سناریوی شبیه سازی ممکن است این باشد که پردازش چقدر طول می کشد؟. با استفاده از ابزارهای مرسوم برایBPS ، می توان با فرض برخی دانش معمول، در مورد منابع موجود، به این سؤال پاسخ داد. سوال دیگر ممکن است این باشد که افزودن برخی منابع اضافی، از یک نوع معین، برای کمک به پردازش چگونه است؟ با استفاده از نتایج متوسط تولید شده توسط یک شبیه سازی معمول، نمی توان به سؤال دقیق پاسخ داد. یک منبع را می توان با تعداد واحدهای موجود، هزینه های استفاده (یعنی ارزش پولی)، هزینه های تنظیم و هزینه های ثابت تعریف کرد. هزینه می تواند شامل متغیر هزینه مربوط به مدت زمان (به عنوان مثال، دستمزد ساعتی منابع انسانی درگیر) و همچنین هزینه اضافی ثابت (به عنوان مثال هزینه حمل و نقل) باشد. هنگامی که یک فعالیت تعریف می شود، توسط منابع مورد نیاز، برای انجام آن، مدت زمان فعالیت و نمونه های فرآیندی که پردازش می شوند نیز تعریف می شود. در حین شبیه سازی، ابزار BPS زمانی را که هر یک از مراحل پردازش در یک فعالیت می گذرانند و زمانی که هر منبع به آن فعالیت اختصاص می دهد را پیگیری می کند. از این رو، محاسبات هزینه فعالیت، روشی واقع بینانه برای اندازه گیری و تحلیل هزینه های فعالیت ها را فراهم می کند. ابزارهای BPS اجازه می دهد تا تفصیلی از هزینه های فعالیت با توجه به منابع یا نوع نمونه فرآیند و همچنین هزینه های فرآیند جمع شود.

جدول 1 برخی از پارامترهای شبیه سازی مهم را خلاصه می کند. یک شبیه سازی به سناریوهایی تقسیم می شود  و هر سناریو باید دارای یک مسیر تعریف شده (از یک رویداد شروع تا یک رویداد پایان)، تعدادی نمونه فرآیند و میزان ورود آنهاباشد. علاوه بر این، منابع موجود باید برای موارد فرآیند تعریف شده در مدل اعلام شوند. علاوه بر این، داده های اجرای عنصر باید تعریف شوند (به عنوان مثال، مدت زمان انجام هر کار، نسبت انشعاب هر جریان خروجی یک دروازه XOR و OR ، منابع مورد نیاز هر کار). هزینه و پارامترهای کیفیت دیگر نیز می تواند تعریف شوند. چندین خروجی ممکن از یک ابزار BPS وجود دارد، همانطور که در شکل 4 نشان داده شده است:

1. یک گزارش فرآیند دقیق از هر نمونه فرآیند که می تواند با یک چارچوب استخراج فرآیند تحلیل شود [10]، لگاریتم های مربوط مجموعه معاملات محدودی هستند که شامل برخی از موارد فرآیند، مانند مشتریان و محصولات می شوند.  به عنوان مثال: (1) جان دئو pdt1 و pdt2 را خریداری می کند  (2)جان دئو pdt1 را خریداری می کند(3) فو،pdt2،pdt3  وpdt4  را خریداری می کند. لُگ های مربوط معمولاً با فرمی استفاده می شوند که توسط اکثر ابزارهای استخراج فرآیند، معروف به MXML (Mining XML) ارائه می شوند [36].
2. مجموعه ای از معیارها با برخی از نمودارها: بنچ مارک، یک تکنیک محبوب است که یک شرکت می تواند از آن برای مقایسه عملکرد خود با سایر شرکت های برتر در صنایع مشابه استفاده کند [37،38] ( به عنوان مثال، یک طرح مقایسه ای از انطباق با الزامات ضمانت نامه بین المللی در یک بخش صنعتی خاص)
3. مجموعه ای از مقادیرKPI ، همانطور که در جدول 2 آورده شده است.

متأسفانه، برای تعداد زیادی از مشکلات عملی، جمع آوری دانش، مدل سازی، کاری دشوار، وقت گیر، گران یا غیرممکن است. به عنوان مثال اجازه دهید صنایع شیمیایی، مواد غذایی، بیوتکنولوژی، اکولوژی، امور مالی، سیستم های جامعه شناسی و غیره را در نظر بگیریم. رویکرد تصادفی، روشی سنتی برای مقابله با عدم اطمینان است. با این حال، به رسمیت شناخته شده است که همه انواع عدم اطمینان را نمی توان در چارچوب تصادفی مورد بررسی قرار داد. رویکردهای جایگزین متنوعی ارائه شده است (مانند منطق فازی و نظریه مجموعه) شکل 5 برخی نمایش های مختلف از یک پارامتر شبیه سازی را نشان می دهد. در اینجا در شکل 5a، بازنمایی تک ارزش نشان داده شده است. مقدار ممکن (واقعی)، یک مقدار منحصر به فرد است و تمام مقادیر دیگر نادرست هستند (عضویت بولی). با این نوع پارامتر، هر نمونه فرآیند به همان روش (تعیین کننده) انجام می شود. شکل 5b  بازنمایی با ارزش بازه ای را نشان می دهد. مقادیر واقعی کاملاً تثبیت شده اند و سایر ارزشها نادرست هستند (عضویت بولی). باز هم با این نوع پارامتر، هر نمونه فرآیند به همان روش (تعیین کننده) عمل می کند.

 

شکل4- نمایش داده های ورودی و خروجی یک شبیه ساز فرآیند تجارت

پارامترها	توصیف
مدت کار	زمان صرف شده برای انجام کار
نسبت شعبه	درصد موارد پردازش برای هر جریان خروجی یک گیت وی XOR / OR
تخصیص منابع	منابع مورد نیاز هر کار
هزینه کار	مقدار پول برای اجرای نمونه کار
منابع در دسترس	تعداد ائتلاف، خطوط، بازیگران یا نقش در دسترس برای کارها
تعداد موارد و نمونه ها	تعداد نمونه های فرایند در حال اجرا برای سناریو
نرخ ورود	فاصله زمانی بین ورود دو نمونه فرآیند

 

 

 

 

 

 

 

 

 

 

 

 

سفارش ترجمه تخصصی مقالات مدیریت

 

جدول1- پارامترهای شبیه سازی اساسی

 

KPI	توصیف
زمان انتظار	اندازه گیری زمان، از انجام یک کار تا زمانی که در واقع کار شروع شده است
زمان پردازش	زمان، از ابتدا تا انتهای یک مسیر فرآیند واحد، اندازه گیری می شود
زمان چرخه	زمان صرف شده در کلیه مسیرهای ممکن فرآیند (با توجه به فرکانس مسیری که باید در یک سناریو گرفته شود) با مجموع پردازش و زمان انتظار مطابقت دارد
هزینه پردازش	مبلغ کل هزینه ها
بهره برداری از منابع	میزان منابع اختصاص یافته در دوره ای که مورد بازرسی قرار گرفت

 

 

 

 

 

 

 

 

 

 

 

 

سفارش ترجمه تخصصی مقالات مدیریت

 

جدول2- برخی از شاخص های کلیدی عملکرد اصلیKPI ، شاخص عملکرد کلیدی

 

شکل5- برخی نمایش های مختلف از یک پارامتر شبیه سازی

شکل 5c,d به ترتیب مقادیر فازی و احتمالی را نشان می دهد. فازی، نوعی عدم قطعیت قطعی است که میزان شباهت یک مقدار به یک مجموعه را اندازه گیری می کند. در مقابل، احتمالاً از این سؤال ناشی می شود که آیا یک مقدار به عنوان یک واقعه بولی رخ می دهد یا خیر. یک فاصله زمانی می تواند به عنوان یک مجموعه فازی ویژه در نظر گرفته شود که عناصر آن شباهت یکسانی با مجموعه دارند. مثال شکل 5c، یک تابع عضویت مثلثی را نشان می دهد. در آنجا یک مقدار منحصر به فرد وجود دارد که کاملاً عضو مجموعه باشد (یعنی آبسه ای از راس مثلث).  فازی و احتمال، مفاهیم متعامد هستند که جنبه های مختلف تجربه بشر را توصیف می کنند. بحث تئوریک مفصلی در مورد روابط بین ابهام و احتمال را می توان در [40] یافت. نمونه ای برای نشان دادن تفاوت مفهومی بین احتمال و مدل سازی فازی به شرح زیر است. به یک سرمایه گذار ورشکسته دو سهام داده می شود. یکی از برچسب های سهام می گوید که دارای 0.9 عضویت در کلاس سهام است که به عنوان تجارت غیرقانونی شناخته می شود. در برچسب سهام دیگر آمده است که احتمال 90٪ مشاغل قانونی بودند و 10٪ احتمال کسب و کار غیرقانونی است. کدام سهام را انتخاب می کنید؟ در مثال، سهام ارزیابی شده غیرمجاز، غیرقانونی است و سرمایه گذار به زندان می رود. این کاملاً قابل قبول است  زیرا در 10 احتمال یک مورد غیرقانونی وجود دارد.  در مقابل، سهام ارزیابی شده فازی، یک تجارت ناعادلانه است که با این وجود موجب حبس نمی شود.  این همچنین معقول است زیرا یک تجارت ناعادلانه می تواند 0.9 عضویت در کلاس مشاغل غیرقانونی داشته باشد. نکته اینجا است که احتمال، شامل تئوری مجموعه معمولی است و اجازه نمی دهد عنصر عضو جزئی در یک کلاس باشد و احتمال شاخصی از فرکانس یا احتمال وجود یک عنصر در یک کلاس است. نظریه مجموعه فازی، به شباهت یک عنصر به یک کلاس می پردازد. تمایز دیگری در ایده مشاهده شده است. فرض کنید محتویات سهام را بررسی می کنیم.  توجه داشته باشید که پس از مشاهده، ارزش عضویت سهام مبتنی بر فازی، بدون تغییر است در حالی که ارزش احتمال سهامِ سهام- محور از 0.9 به 1 یا 0 تغییر می کند. اطلاعات مربوط به انتظارات را برای تعداد زیادی آزمایش انجام دهید.

عملکرد شبیه سازی توسط بسیاری از ابزارهای مدل سازی فرآیند کسب و کار بر اساس نماد گذاری ها، مانند EPC (زنجیره فرآیند رویداد محور) یا BPMN ارائه شده است. این ابزارها رابط های کاربر را برای مشخص کردن پارامترهای اساسی شبیه سازی، مانند نرخ ورود، زمان اجرای کار، هزینه و در دسترس بودن منابع ارائه می دهند.  آنها به کاربران اجازه می دهند آزمایش های شبیه سازی را انجام دهند و نتایج آماری مانند میانگین زمان چرخه و کل هزینه را استخراج کنند. در جدول 3 خلاصه ای از ویژگی های اصلی برخی از ابزارهای تجاری BPS ارائه شده است [41].

موتور و محرک ابزار BPS	توضیحات عملکردی کوتاه
شبیه ساز تجارت ARIS (معماری سیستم های اطلاعاتی یکپارچه)	نقاط ضعف و تنگناهای فرآیند را پیدا کنید.  بهترین روش ها را در فرآیندهای خود شناسایی کنید. بهینه سازی زمان توان و استفاده از منابع، تعیین نیازهای منابع، میزان استفاده و هزینه های مربوط به گردش کاررا مشخص کنید. خطرات بالقوه فرآیند را تجزیه و تحلیل کنید.  معیارهای سازمانی گسترده ای ایجاد کنید
مجموعه Bizagi BPM (مدیریت فرآیند تجارت)	تنگناها، منابع بیش از حد مورد استفاده، عناصر تحت تأمین منابع در فرایند و فرصت های بهبود را شناسایی کنید. چندین سناریو چه-اگر ایجاد کنید.
راه حل باز Bonita	گزارش های شبیه سازی فرآیند کسب و کار را ایجاد کنید که جزئیات مربوط به تکرار و مدت زمان تجمع، مصرف منابع، هزینه ها و موارد دیگر را نشان می دهد.
معمار سازمانی اسپارکس سیستم	تنگناهای بالقوه، ناکارآمدی و سایر مشکلات در یک فرایند تجاری را شناسایی کنید
مدیر فرآیند تجارت IBM	عملکرد فرآیند را شبیه سازی کنید (شناسایی تنگناها و سایر موارد).عملکرد فرآیند واقعی را با شبیه سازی مقایسه کنید (مقایسه شبیه سازی ها با داده های عملکرد تاریخی). همزمان چندین فرآیند (از یک یا چند برنامه فرآیند) را تجزیه و تحلیل کنید
فرآیند iGrafx	نقشه برداری شبیه سازی زمان واقعی، برای نشان دادن چگونگی پیشرفت معاملات از طریق فرآیندهای دسته بندی و هدر رفتن منابع صورت می گیرد. بهبود فرآیند، استفاده از منابع ، زمان چرخه، ظرفیت و سایر آمارها، از پیش تعریف شده و قابل تنظیم است
Visual Paradigm Logizian	شبیه سازی اجرای فرآیند کسب و کار برای مطالعه مصرف منابع (به عنوان مثال منابع انسانی، دستگاه ها و غیره) در طی یک فرآیند، شناسایی تنگناها، تعیین کمیت اختلاف بین گزینه های بهبود که به مطالعه و اجرای فرایند کمک می کنند، صورت می گیرد.
شبیه سازی MEGA	داشبورد شبیه سازی پویا قابل تنظیم، ایجاد چندین سناریو شبیه سازی برای فرآیندهای تجاری جدا شده یا برای پوشش کل زنجیره های ارزش فرآیندهای تجاری هماهنگ، شاخص ها و معیارهای قابل تنظیم مرتبط نتایج شبیه سازی را با اهداف پروژه بهینه سازی پیوند می دهند. شاخص ها را می توان با فرمول های ساده ریاضی، مانند فرمول MS-Excel یا الگوریتم های پیچیده ویژوال بیسیک تعریف کرد. مقایسه بین شاخص ها و اهداف شبیه سازی، ارتباط سناریوهای پیشنهادی را ارزیابی می کند
ویرایشگر فرآیند Signavio	به منظور بدست آوردن اطلاعات در مورد هزینه، زمان چرخه، منابع و تنگناها، فرآیند تجسم را انجام داده و آنالیز را بر اساس سناریوهای تنظیم یک مورد و چند مورد تنظیم کنید.
استودیو تجاری TIBCO	تجزیه و تحلیل هزینه و زمان را انجام داده و الزامات کار را برای سیستم بررسی کنید

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول3- خلاصه ای از ابزارهای شبیه سازی فرایند تجاری (BPS) ابزار پشتیبانی از BPMN

4- شبیه سازی فرآیند کسب و کار با ارزش بازه ای: مشخصات و طراحی:

4.1- خروجی BPS با ارزش بازه ای، به عنوان یک مشکل بهینه سازی:

در این زیر بخش، الزامات اساسی مدل BPS با ارزش بازه ای ما رسما معرفی می شود. ما پیاده سازی پارامتر را از نظر متغیر دارای ارزش بازه ای به کار می بریم، که به صورت زیر تعریف می شود:

 

که R  مجموعه ای از همه فواصل بسته و محدود در خط واقعی و X  و X  مرزهای فواصل است. یک پارامتر F -بعدی از پارامترها توسط یک بردار از متغیرهای دارای ارزش بازه ای به شرح زیر نشان داده می شوند:

 

شایان ذکر است که اعداد واقعی را می توان فواصل ویژه ای با نام فاصله های تخریب شده با X  = X  در نظر گرفت [42]:

بگذارید f:R^F→R   یک مدل فرایند تجاری تک ارزش- F بعدی باشد. مدل با ارزش بازه ای f:R^F→R  مربوطه به شرح زیر است:

 

 

فرمول (3) و (4) بیانگر BPS با ارزش بازه ای، به عنوان یک مسئله بهینه سازی است.  شکل 6 یک نمونه ساده از مدل BPMN  با ارزش بازه ای [x_i,x_i] ، از سه کار و دو گیت وی اختصاصی را نشان می دهد. در اینجا، هر کار با یک پارامتر دارای ارزش بازه ای (به عنوان مثال ، مدت زمان [12 ، 15] دقیقه) و همچنین نسبت انشعاب جریان بالایی گیت وی تقسیم XOR (به عنوان مثال ، [70 ، 75]%) اندازه گیری می شود. شایان به ذکر است که جریان پائین، با جریان بالایی محدود می شود زیرا جریان کل باید 100٪ باشد. به همین دلیل، یک پارامتر فاصله منحصر به فرد مستقل و مرتبط با گیت وی وجود دارد (یعنی X ₂). برای مجموعه معینی از پارامترهای بازه ورودی و یک KPI خروجی داده شده (y) ، خروجی دارای ارزش بازه مدل فرآیند [y,y] (به عنوان مثال زمان کل چرخه) می تواند به صورت تئوری، با شبیه سازی اجرای مدل، برای همه تک ارزش های احتمالی تعیین شود (x1,…,x4)

 

شکل6- یک مورد ساده از مدل BPMN با ارزش بازه ای

شکل 7 با استفاده از یک خط سیاه و یک نوارخاکستری، نمونه ای از عملکرد سیستم یکتایی ارزش یک بعدی، با فرم ارزشگذاری شده آن را نشان می دهد. سه ارزیابی از ورودی-خروجی نیز به ترتیب به عنوان نقاط واحد و مستطیلی درج شده است.

 

شکل7- نمونه ای از سیستم با ورودی های خروجی تک ارزش و با ارزش بازه

4.2- بهینه سازی مبتنی بر ژنتیک:

همانطور که توسط فرمول (3) و (4) بیان شده است، مسئله ارزیابی یک مدل مقدار- بازه می تواند به عنوان یک مسئله بهینه سازی، درجایی که مرزهای بازه خروجی به عنوان کمینه سازی و یک مسئله حداکثر تعیین می شود، طراحی شود،. در روش ما، برای محاسبه کارآمد خروجی با ارزش بازه ای از سیستم، از یک GA  استفاده می شود. GA ، یک روش جستجو مبتنی بر قیاس با مکانیسم های تکامل بیولوژیکی است [21،43]. GA  معمولاً از مراحل اصلی زیر ساخته می شود. برای یک مشکل بهینه سازی شده، یک فرایند اولیه، مجموعه ای از راه حل های تقریبی تولید شده را ارائه می دهد. سپس هر راه حل با استفاده از اندازه گیری سازگاری برای مسئله خاص ارزیابی می شود. در صورت رضایت از معیارهای خاتمه، یک راه حل مطلوب (فرعی) برای مسئله انتخاب می شود. اگر اینگونه نباشد، هر راه حل، به صورت کروموزوم (فرم سریالی شده) کدگذاری می شود. کروموزوم ها از طریق نسل های متوالی (تکرار GA) تکامل می یابند. در طول هر نسل، مجموعه ای از کروموزوم های جدید، به نام فرزندان تشکیل می شود: (1)  انتخاب یک استخر جفت گیری، یعنی سهمیه کروموزوم های والد از جمعیت فعلی، با توجه به مقادیر سازگاری (2) ترکیبی از جفت والدین از طریق عامل ژنتیکی همگذر و متقاطع (3) اصلاح کروموزوم های فرزندان از طریق عامل ژنتیکی جهش. سپس کروموزوم های جدید، از نظر راه حل های دامنه رمزگشایی می شوند. سرانجام، نسل جدیدی با تأکید بر سازگاریشان و رد افراد باقیمانده، شکل می گیرند تا اندازه جمعیت ثابت بماند [43]. شکل 8 ساختار کلی GA را نشان می دهد.

طراحی یک GA برای یک مشکل دامنه خاص نیاز به مشخص کردن عناصر اصلی زیر دارد: رمزگذاری کروموزوم یک راه حل، یک عملکرد سازگار برای ارزیابی یک راه حل و انتخاب عاملهای ژنتیکی و پارامترهای ژنتیکی. عملکرد سازگاری توسط KPI خروجی ، با مقدار بازه مدل فرآیند نشان داده شده است. زیرمجموعه های بعدی به مشخصات سایرعناصراصلی اختصاص یافته است.

 

شکل8- ساختار کلی GA

4.3- کدگذاری ژنتیکی:

در یکGA ، یک کروموزوم (یا ژنوم) از مجموعه پارامترهایی ساخته شده است که یک راه حل پیشنهادی برای حل مسئله را تعریف می کند. کروموزوم اغلب به عنوان یک رشته نشان داده می شود. نمایندگی یک مسئله کلیدی است زیرا GA مستقیماً نمایانگر رمزگذاری شده مسئله را دستکاری می کند و طرح نمایندگی می تواند پنجره ای را که فضای جستجو را مشاهده می کند به شدت محدود کند [44]. رشته های کدگذاری شده با طول ثابت و باینری بر تحقیقات GA حاکم هستند زیرا نتایج نظری ای وجود دارد که نشان دهنده اثربخشی آنها و در دسترس بودن پیاده سازی های ساده است. با این حال، خواص خوب GA ناشی از استفاده از رشته های بیت نیست. یکی از مهمترین بازنمودها، نمایش تعداد واقعی است که مخصوصاً برای مقابله با مشکلات بهینه سازی، با متغیرهای موجود در فضاهای جستجوی مداوم، امری طبیعی است. به طور دقیق ت ، یک کروموزوم، یک بردار از اعداد نقطه شناور است که اندازه آن برابر با طول بردار نگه داشته می شود که راه حل مشکل است.GA مبتنی بر بازنمایی تعداد واقعی، GA با کد واقعی است [44]. یک GA دارای کد واقعی، چندین مزیت در بهینه سازی عملکرد عددی نسبت به رمزگذاری های باینری ارائه می دهد. راندمان GA افزایش یافته است زیرا نیازی به تبدیل کروموزوم به فنوتیپ قبل از ارزیابی هر عملکرد نیست. حافظه کمتری مورد نیاز است زیرا به صورت مستقیم می توان از نمایشگرهای رایانه ای داخلی استفاده کرد. هیچ گونه ضرر و زیانی، با دقت در تفسیر مقادیر باینری یا سایر مقادیر از بین نمی رود و آزادی بیشتری برای استفاده از عملگرهای مختلف ژنتیکی وجود دارد. شکل 9a,b کدگذاری کروموزوم مورد استفاده در GA را نشان می دهد. در اینجا، هر ژن (جعبه) یک پارامتر تک ارزش مدل را کدگذاری می کند. کروموزوم حاوی حداقل تعداد متغیرها است. به عنوان مثال، یک نقطه تصمیم گیری با جریان های خروجی N از طریق متغیرهای N-1 نشان داده می شود زیرا یک متغیر را می توان از طریق بقیه محاسبه کرد (با فرض اینکه جمع آنها باید برابر با یک باشد).

 

شکل9- عاملهای رمزگذاری (a,b)کروموزوم(c)   متقاطع و (d)جهش

4.4- عامل های ژنتیکی متقاطع و جهش:

همگذری و تقاطع، عامل اصلی ژنتیک است. این شامل تقسیم دو کروموزوم به دو یا چند زیردنباله و به دست آوردن دو کروموزوم جدید با تبادل توالی های ژنی بین دو کروموزوم اصلی است. به طور خاص، ما یک همگذری پراکنده را اتخاذ کردیم که در آن، یک ماسک باینری به طور تصادفی با طول کروموزوم والدین ایجاد می شود. کودک با ترکیب بخش هایی از کروموزوم هایی که در محل شماره یک ماسک قرار دارند از یک والدین و بقیه از والدین دیگر و برعکس تولید می شود. شکل  9cنمونه ای از چنین همگذری ای را نشان می دهد که صفر و یک به ترتیب با رنگ های سفید و خاکستری نشان داده شده اند. دلیل این انتخاب در ملاحظات زیر خلاصه می شود. ایده پشت عامل متقاطع پراکنده این است که بخش هایی که در بیشتر عملکرد یک فرد خاص نقش دارند ممکن است لزوماً در بسترهای مجاور وجود نداشته باشند. علاوه بر این، ماهیت مختل کننده چنین همگذری ای، به جای ترجیح دادن همگرایی افراد در اوایل جستجو، اکتشاف فضای جستجو را ترغیب می کند، بنابراین جستجو را مستحکم تر می کند [21].

عامل متقاطع با احتمال میزان متقاطع (PC) بر روی جفت منتخب افراد اعمال می شود. هنگامی که عامل اعمال نمی شود، فرزندان، یک جفت کپی از یکسان والد یا والدین هستند. سرعت همگذری بالاتر، امکان اکتشاف بهتر فضای راه حل ها را فراهم می آورد. با این حال، نرخ متقاطع بیش از حد بالا باعث می شود مناطق غیرمترقبه فضای جستجو کاوش شوند. مقادیر معمولی 10^-1 است [44].

جهش، یک عامل است که تحت محدودیت هایی که توسط پارامتر دارای مقدار- بازه اعمال می شود، تغییر تصادفی مقدار یک ژن را تولید می کند. شکل 9d  یک عملگر جهش یافته را نشان می دهد. از جهش، برای حفظ تنوع ژنتیکی استفاده می شود. جهش به طور تصادفی اعمال می شود. نرخ جهش، P_m ، به عنوان احتمال تکمیل ژن دلخواه تعریف می شود. اگر خیلی کم باشد، بسیاری از ژن ها که مفید واقع می شدند، هرگز کشف نمی شوند اما اگر خیلی زیاد باشد، اختلال تصادفی بسیار زیادی رخ می دهد، فرزندان شباهت خود را با والدین از دست می دهند و GA ، کارایی در یادگیری جستجو را از دست می دهد. تاریخ مقادیر معمولی P_m به ترتیب 10-22 است [44]. در سیستم، ما از جهش عملی سازگار استفاده کردیم که در آن، عملکرد جهش پیش فرض، در صورت وجود محدودیت، به طور تصادفی، جهت هایی را تولید می کند که با توجه به آخرین نسل موفق یا ناموفق سازگار باشد. جهش یک جهت و طول مرحله را انتخاب می کند که مرزها و محدودیت های خطی را برآورده می کند.

4.5- روش های انتخاب، استفاده مجدد و خاتمه:

یک عامل انتخاب زیر مجموعه ای از کروموزوم ها را از جمعیت فعلی انتخاب می کند. روش های مختلف انتخاب تصادفی در دسترس هستند. در این کار از روش چرخ رولت [43] استفاده شده است. با این روش، فردی با احتمال سازگاری مستقیما انتخاب می شود. هر یک از افراد به قوس دایره ای نقشه کشیده می شوند که طول آن با سازگاری فرد برابر است. سپس دور آن برابر با مجموع سازگاری است که با انتخاب یک عدد تصادفی، با توزیع یکنواخت بین صفر و محیط انجام می شود. فرد انتخاب شده فردی است که به قوس حاوی نقطه انتخاب شده ترسیم می شود. این تضمین می کند که افراد مناسب تر احتمال انتخاب بیشتری دارند. با این حال، همه افراد شانس دارند. هنگامی که جمعیت جدید با انتخاب، همگذری و جهش افراد، از جمعیت قدیمی تولید می شود، ممکن است سازگاری افراد در جمعیت جدید مشخص شود. برای حفظ اندازه جمعیت اصلی، افراد جدید باید به جمعیت قدیمی برگردانده شوند. به همین ترتیب، اگر قرار نیست همه افراد جدید در هر نسل مورد استفاده قرار گیرند یا فرزندان بیشتری نسبت به اندازه جمعیت قدیمی ایجاد شود، باید از یک طرح مجدداً استفاده شود تا مشخص شود که افراد در جمعیت جدید وجود دارند. اگر یک یا چند نفر از بهترین افراد به طور قطعی در نسل بعدی دوباره معرفی شوند، گفته می شود که GA از یک استراتژی زبده گرا استفاده می کند. میزان جهش خیلی زیاد ممکن است به از بین رفتن راه حل های خوب منجر شود، مگر اینکه مجدداً افراد زبده وجود داشته باشد. به همین دلیل ما این نوع ویژگی را اتخاذ کردیم.

از آنجا که GA یک روش جستجو تصادفی است، ممکن است تعیین رسمی معیارهای همگرایی دشوار باشد. یک روش معمول، این است که GA را پس از یک تعداد از پیش تعیین شده نسل ها خاتمه داده و سپس تست کیفیت بهترین فرد جمعیت، در برابر تعریف مسئله را انجام دهیم. از آنجا که سازگاری یک جمعیت ممکن است برای چند نسل قبل از یافتن یک فرد برتر، ثابت باشد، استفاده از معیارهای خاتمه معمولی ممکن است مشکل ساز شود. به همین دلیل، ما از یک معیار سازگارتر استفاده کردیم: GA در صورت عدم بهبود در بهترین سازگاری جمعیت، در طی تعداد معینی از پیش تعیین شده نسل (به نام نسل اصطبل) یا هنگامی که به حداکثر تعداد از پیش تعیین شده رسیده باشد، خاتمه می یابد.

4.6- کلیت الگوریتم بهینه سازی مبتنی بر ژنتیک:

بگذارید P جمعیت فعلی باشد، P_M استخر جفت گیری (بخش 4.2)، P_O فرزندان (بخش 4.2 ، مجموعه افراد ناشی از تقاطع و جهش) ، P_U مجموعه افراد بدون تغییر به نسل بعدی و q و s به ترتیب مهمترین استخر جفت گیری و کاردینال بودن جمعیت فعلی است. انتخاب عملکرد (P) یک فرد را از P ، با روش چرخ رولت انتخاب می کند و عملکرد (PM) getPair، یک جفت والد را از P_M باز می گرداند که با روش چرخ رولت انتخاب شده است. تقاطع عملکرد (x,y,pc) ، فرزندان یک جفت والد را برمی گرداند (بخش 4.4). جهش عملکرد(x,PM)،  برای والد انتخاب شده با احتمال PM اعمال می شود، در حالی که مجدداً عملکرد(P,e)، اولین نفر برتر از افراد را از P باز می گرداند. توجه داشته باشید که کاردینالیت مجموعه، PU ، s - q است که با افراد کشیده شده از جمعیت، P ، به الگوریتم منتقل می شود. ممکن است مشاهده شود که تمام مجموعه های مورد استفاده در الگوریتم ممکن است حاوی جفت افراد یکسان باشد (به دلیل ویژگی تصادفی عملگرهای مختلف). با این حال، هر فرد حتی اگر از نظر ساختاری با فرد دیگر یکسان باشد، قابل شناسایی است. بنابراین، تمام مجموعه ها مجموعه های مناسبی هستند (نه چند مجموعه). در نتیجه، کاردینالیت P ثابت است.

 الگوریتم بهینه سازی می تواند بصورت رسمی به شرح زیر تعریف شود:

 

الگوریتم 1- الگوریتم بهینه سازی مبتنی بر ژنتیک

4.7- فرآیند تنظیم پارامتر

برخی از پارامترهای حساس کاربر برای کنترل GA ها عبارتند از [21،43]: (1) حداکثر تعداد نسل مجاز (2) حجم جمعیت  یعنی تعداد افرادی که طی یک نسل اداره می شوند (3) شکاف متقاطع، یعنی درصد کروموزوم ها (از یک نسل واحد) که به طور موثر در عملیات همگذر شرکت می کنند (4) تعداد نخبگان، یعنی تعداد افراد، با بهترین مقادیر سازگاری در نسل فعلی که زنده ماندن آنها برای نسل بعدی تضمین شده است. جدول 4 پارامترهای الگوریتم را به همراه مقادیر معمولی آنها خلاصه می کند. چنین مقادیر پارامتر نشان داده شده با توجه به یک استراتژی بهینه سازی عمومی تنظیم شده است. در عمل، هنگام استفاده از تکنیک های تکاملی در یک مورد خاص، تعدادی از محدودیت های کاربردی، انتخاب مقادیر پارامتر را محدود می کنند. علاوه بر این، پارامترهایی که نمی توانند از محدودیت برنامه انتخاب شوند، می توانند با استفاده از تحلیل حساسیت تنظیم شوند. حساسیت، به طور غیر رسمی به عنوان اثر عدم اطمینان در پارامتر، بر نتایج نهایی تعریف می شود [45]. برای اهداف این مقاله، پارامترهای وابسته به برنامه به مقدار نمونه اولیه جدول 4 تنظیم شده اند. با توجه به عملگرهای ژنتیکی، گزینه های بسیاری در مقالات موجود است. بسیاری از آنها برای اهداف بسیار خاص و غیر مرتبط با اهداف این مقاله استفاده می شوند.

 

 

الگوریتم 2- نسلی از الگوریتم بهینه سازی مبتنی بر ژنتیک (پیدایش)

5- اجرای معماری:

بسیاری از پیاده سازی های GA می توانند در سیستم ما به کار گرفته شوند. در طی چند دهه گذشته، تحقیقات قابل توجهی با تولید انواع مختلفی از عملگرهای ژنتیکی و استراتژی های الگوریتمی بر بهبود GA ها متمرکز شده است. خواننده علاقه مند برای مقایسه روش های GA به [21،44] مراجعه کرده است.  شایان به ذکر است که بهینه سازی انجام شده توسط سیستم IBimp معمولاً فقط چند نسل طول می کشد. همزیستی پیاده سازی های متعدد GA ،یک نیاز مهم به منظور اجازه بازرسی در نحوه انجام بهینه سازی است (تا عملکرد آن). در واقع، تحلیلگر می تواند برای دستیابی به مراحل انجام شده توسط یک GA علاقه مند باشد تا بتواند اهمیت برخی پارامترها را بهتر بشناسد. با این وجود، مدیریت چندین GA به جای کاربران تجاری، برای کاربران پیشرفته و برای اهداف تجربی در نظر گرفته شده است.

پارامتر	توصیف	مقدار	منبع
s	میزان جمعیت	50	بخش 4.6
pc	نرخ متقاطع	0.7	بخش 4.4
pm	میزان تحول و دگرگونی	0.1	بخش 4.4
e	تعداد زبده ها	2	بخش 4.5
q	سایز ماتینگ پول	25	بخش 4.6
gmax	حداکثر تعداد نسل مجاز	50	بخش 4.5
gstall	تعداد نسل در نظر گرفته شده برای جایگاه	20	بخش 4.5
εfit	تحمل سازگاری برای تشخیص بهبود	10-6	بخش 4.5

جدول 4- پارامترهای الگوری

 

 

 

 

 

 

 

 

 

 

 

تم و مقادیر معمولی آنها

شکل 10 نحوه اتصال سیم ماژول های کلی سیستم از طریق نمودار مؤلفه UML را نشان می دهد. تمام مؤلفه ها در محیط Java Runtime اجرا می شوند. این معماری با چارچوب MATLAB توسعه یافته و یکپارچه شده است. کد منبع شبیه ساز IBimp ما به صورت عمومی در MATLAB Exchange File Exchange  [46] به عنوان برنامه افزودنی Bimp[23] یک شبیه ساز فرآیند تجارت مبتنی بر جاوا در دسترس عموم منتشر شده است.