WIELOKRYTERIALNA OPTYMALIZACJA PROCESÓW W...

WIELOKRYTERIALNA OPTYMALIZACJA PROCESÓW W TRANSPORCIE

Piotr SAWICKI WIELOKRYTERIALNA OPTYMALIZACJA PROCESÓW W TRANSPORCIE

Piotr SAWICKI WIELOKRYTERIALNA OPTYMALIZACJA PROCESÓW W TRANSPORCIE Recenzent: prof. dr hab. Szymon CYFERT Monograficzna seria wydawnicza Biblioteka Problemów Eksploatacji – Studia i Rozprawy Redaktor naukowy: prof. dr hab. inż. Adam MAZURKIEWICZ © Copyright by Piotr Sawicki, Politechnika Poznańska; Instytut Technologii Eksploatacji – Państwowy Instytut Badawczy w Radomiu, 2013 ISBN 978-83-7789-222-0 Opracowanie wydawnicze: Michał Bogdański, Joanna Fundowicz

Wydawnictwo Naukowe Instytutu Technologii Eksploatacji – Państwowego Instytutu Badawczego 26-600 Radom, ul. K. Pułaskiego 6/10, tel. centr. (48) 364-42-41, fax (48) 364 47 65 e-mail: [email protected] http://www.itee.radom.pl

2420

SPIS TREŚCI

Streszczenie .................................................................................................................... 9 Wykaz oznaczeń, symboli i skrótów ............................................................................ 13

1. WPROWADZENIE .............................................................................................. 23 1.1. Definicja obszaru badawczego ....................................................................... 23 1.2. Cel pracy ........................................................................................................ 25 1.3. Zawartość pracy ............................................................................................. 26

2. ZARZĄDZANIE PROCESAMI ......................................................................... 27 2.1. Proces jako przedmiot badań ......................................................................... 27 2.2. Ogólna klasyfikacja procesów ....................................................................... 34 2.3. Klasyfikacja procesów w transporcie ............................................................. 36 2.4. Metody i techniki zarządzania procesami ...................................................... 41

2.4.1. Cykl życia procesu .......................................................................................... 41 2.4.2. Modelowanie procesów .................................................................................. 46 2.4.3. Notacja EPC .................................................................................................... 48 2.4.4. Notacja BPMN ................................................................................................ 52 2.4.5. Optymalizacja procesów jako nurt w zarządzaniu procesami ........................ 57

3. WIELOKRYTERIALNA OPTYMALIZACJA I ANALIZA DANYCH ....... 59 3.1. Wielokryterialne programowanie matematyczne .......................................... 59 3.2. Narzędzia wielokryterialnej analizy danych i generowania reguł

decyzyjnych .................................................................................................... 60 3.2.1. Wielokryterialna analiza danych z wykorzystaniem teorii zbiorów

przybliżonych .................................................................................................. 60 3.2.2. Wnioskowanie w oparciu o reguły decyzyjne ................................................ 64

4. STAN WIEDZY W ZAKRESIE OPTYMALIZACJI PROCESÓW .............. 67 4.1. Przegląd istniejących metod optymalizacji procesów .................................... 67

4.1.1. Klasyfikacja metod optymalizacji procesów .................................................. 67 4.1.2. Przegląd metod optymalizacji procesów ......................................................... 68

4.2. Wnioski wynikające z przeglądu stanu wiedzy ............................................. 83 4.2.1. Założenia dotyczące oceny stanu wiedzy ....................................................... 83 4.2.2. Wnioski obszarowe ......................................................................................... 84 4.2.3. Synteza stanu wiedzy ...................................................................................... 92

5. METODA WIELOKRYTERIALNEJ OPTYMALIZACJI PROCESÓW .... 95 5.1. Charakterystyka metody wielokryterialnej optymalizacji procesów ............. 95

5.1.1. Założenia dotyczące opracowanej metody ..................................................... 95 5.1.2. Główne etapy metody wielokryterialnej optymalizacji procesów .................. 96

5.2. Zasadnicze etapy metody optymalizacji procesów ........................................ 98 5.2.1. Etap 1 – Modelowanie struktury procesu ....................................................... 98 5.2.2. Etap 2 – Definiowanie zakresu zmian w procesie ........................................ 102 5.2.3. Etap 3 – Modelowanie matematyczne kryteriów oceny procesu .................. 110 5.2.4. Etap 4 – Symulacja przebiegu procesu ......................................................... 112 5.2.5. Etap 5 – Ocena uzyskanych wyników .......................................................... 117 5.2.6. Etap 6 – Eksploracja wiedzy o procesie ........................................................ 119

6. ZASTOSOWANIE METODY WIELOKRYTERIALNEJ OPTYMALIZACJI PROCESU W OBSZARZE TRANSPORTU ................................................... 121 6.1. Definicja problemu decyzyjnego ................................................................. 121 6.2. Etap 1 – Modelowanie struktury procesu ..................................................... 122

6.2.1. Wybór języka modelowania procesu ............................................................ 122 6.2.2. Identyfikacja czynności i zasobów stosowanych w procesie ........................ 123 6.2.3. Budowa modelu procesu ............................................................................... 124

6.3. Etap 2 – Definiowanie zakresu zmian w procesie ....................................... 126 6.4. Etap 3 – Modelowanie matematyczne kryteriów oceny procesu ................. 129

6.4.1. Kryteria oceny procesu ................................................................................. 129 6.4.2. Ograniczenia ................................................................................................. 144

6.5. Etap 4 – Symulacja przebiegu procesu ........................................................ 148 6.5.1. Budowa modelu symulacyjnego ................................................................... 148 6.5.2. Parametryzacja modelu symulacyjnego ........................................................ 151 6.5.3. Prowadzenie symulacji ................................................................................. 153

6.6. Etap 5 – Ocena uzyskanych wyników ......................................................... 155 6.6.1. Budowa struktury tablicy danych i uzupełnianie wynikami symulacji ........ 155 6.6.2. Poszukiwanie rozwiązań Pareto-optymalnych .............................................. 160 6.6.3. Ocen zbioru rozwiązań .................................................................................. 160

6.7. Etap 6 – Eksploracja wiedzy o procesie ....................................................... 162 6.7.1. Generowanie reguł decyzyjnych ................................................................... 162 6.7.2. Ocena i wybór reguł decyzyjnych ................................................................. 163

6.8. Ostateczne rozwiązanie problemu optymalizacji procesu ........................... 164 6.8.1. Kolejne iteracje metody ................................................................................ 164 6.8.2. Ocena wyników ............................................................................................. 165

7. PODSUMOWANIE ............................................................................................ 167 7.1. Charakterystyka osiągniętych wyników ...................................................... 167

7.1.1. Charakterystyka realizacji celów rozprawy .................................................. 167 7.1.2. Charakterystyka opracowanej metody optymalizacji procesów ................... 168 7.1.3. Ograniczenia w zastosowaniu metody .......................................................... 171

7.2. Synteza osiągniętych wyników na tle dotychczasowego stanu wiedzy ....... 171 7.3. Proponowane kierunki dalszych badań ........................................................ 174

Bibliografia ................................................................................................................. 177 Spis rysunków ............................................................................................................ 187 Spis tabel .................................................................................................................... 189 Summary .................................................................................................................... 191

Streszczenie Niniejsza rozprawa habilitacyjna dotyczy problemu optymalizacji procesów

w transporcie. W rozprawie przeprowadzono analizę aktualnego stanu wiedzy w takich aspektach, jak: zakres znaczeniowy pojęcia proces, języki modelowa-nia procesów poddawanych optymalizacji, metodyczne podstawy procedur optymalizacji procesów, kryteria optymalizacji oraz zakres zmian optymaliza-cyjnych. Na podstawie wyników analizy przeprowadzonej we wspomnianych obszarach zdefiniowano zestaw cech, jakimi powinna charakteryzować się me-toda optymalizacji procesów, co stanowi jednocześnie określenie luki badaw-czej, jaką wypełnia niniejsza rozprawa. W efekcie zdefiniowano zasadniczy cel badawczy pracy oraz zbiór celów szczegółowych – cząstkowych.

Wielokryterialna metoda optymalizacji procesów zaproponowana w ramach niniejszej pracy złożona jest z 6 wzajemnie powiązanych etapów. Na etapie 1 metody przeprowadzane jest modelowanie procesu, które służy formalizacji opisu tego procesu, określeniu jego przebiegu i rozpoznaniu zachodzących zależności przyczynowo-skutkowych. Na etapie 2 określane są zmiany modyfi-kujące proces. W tym celu wykorzystywany jest katalog potencjalnych zmian w procesie, z którego wybierane są tylko te zmiany, które są dopuszczalne w określonych warunkach, a odnoszące się do: czynności w procesie, zasobów, elementów granicznych oraz otoczenia procesu. Na etapie 3 odbywa się mode-lowanie matematyczne kryteriów i ograniczeń w odniesieniu do analizowanego procesu. Kryteria stanowią podstawę do definiowania uogólnionych miar oceny przebiegu procesu. Do ich konstrukcji wykorzystywane jest wielokryterialne programowanie matematyczne, uwzględniające zarówno zjawiska o charakterze stochastycznym, jak i dynamicznym. Na etapie 4 przeprowadzona jest symula-cja funkcjonowania procesu, która zarówno pozwala na odzwierciedlenie prze-biegu procesu przy uwzględnieniu wszystkich zdefiniowanych zmian, jak rów-nież pozwala uwzględnić wiele specyficznych parametrów konfiguracyjnych procesu. Zastosowanie symulacji pozwala również odzwierciedlić zjawiska sto-chastyczne związane z czynnościami w procesie, a także zjawiska o charakterze dynamicznym, wynikające zarówno ze specyfiki czynności i zastosowanych za-sobów, jak również z logiki i architektury procesu. Wygenerowany zbiór wyni-ków symulacji – rozwiązań dopuszczalnych, jest następnie na etapie 5 podda-wany ocenie, przeprowadzona jest ekstrakcja rozwiązań Pareto-optymalnych oraz podejmowana decyzja dotycząca kontynuacji bądź zaniechania dalszego poszukiwania rozwiązania. W sytuacji braku zasadności dalszych poszukiwań

10 Piotr Sawicki Wielokryterialna optymalizacja procesów w transporcie

procedura jest zatrzymywana. W przeciwnym przypadku w ramach etapu 6 zakładana jest eksploracja zgromadzonej dotąd wiedzy o procesie. Z jednej strony etap ten zmierza do oceny spójności posiadanych informacji, z drugiej zaś pozwala na ekstrakcję wiedzy o tym procesie do niezbędnego minimum.

W ramach tego etapu generowane są również reguły decyzyjne, które stano-wią uogólnienie związków zachodzących pomiędzy parametrami funkcjonal-nymi procesu a jego uogólnionymi miarami (wartości kryteriów definiowane są na etapie 3). Ocena spójności wyników symulacji bazuje na teorii zbiorów przy-bliżonych wykorzystującej relację dominacji, natomiast generowanie reguł decyzyjnych opiera się na mechanizmach wnioskowania. Po przeglądzie i wy-borze reguł decyzyjnych procedura powraca do etapu 3, w którym w oparciu o wyselekcjonowane reguły następuje modyfikacja modelu matematycznego – głównie zbioru ograniczeń. Od tego momentu uruchamiana jest kolejna iteracja etapów od 3 do 5, aż do chwili osiągnięcia warunku zatrzymania procedury obliczeniowej – uzyskania satysfakcjonującego rozwiązania.

Opracowana wielokryterialna metoda optymalizacji procesów została zwery-fikowana eksperymentalnie na przykładzie procesu transportowego związanego z realizacją harmonogramowanych dostaw części i podzespołów z magazynu operatora do zakładu produkcji pojazdów. Na etapie 1 szczegółowo zidentyfi-kowano proces, w ramach którego wyodrębniono 19 czynności, 3 rodzaje jed-nostek organizacyjnych uczestniczących w jego realizacji oraz 3 rodzaje zaso-bów technicznych (środki transportu bliskiego i dalekiego oraz rampy za- i rozładunkowe). Model procesu został przygotowany w notacji EPC w narzę-dziu ARIS Business Architect. Na etapie 2 z wykorzystaniem stochastycznego wielokryterialnego programowania matematycznego zbudowano model mate-matyczny złożony z trzech kryteriów optymalizacyjnych, tj.: terminowości realizacji procesu, stopnia wykorzystania zasobów i kosztów realizacji procesu oraz sformułowano zestaw 6 ograniczeń. W dwóch kryteriach uwzględniono również zjawiska o charakterze dynamicznym, związane z realizacją procesu transportowego, a wynikające z: dostępności zasobów, kumulacji zadań do realizacji i zjawisk zewnętrznych – głównie wynikających z warunków drogo-wych. Na etapie 3 dokonano wyboru zmian w procesie, które dotyczyły: defi-nicji czynności, powiązania z innymi procesami oraz rodzaju i sposobu przy-działu zasobów. Na etapie 4 z wykorzystaniem narzędzia symulacji ExtendSIM dokonano budowy modelu symulacyjnego, parametryzacji tego modelu oraz przeprowadzono zestaw symulacji, prowadzący do uzyskania zbioru rozwiązań dopuszczalnych. Na etapie 5 dokonano oceny uzyskanych wyników wyodrę-bniając rozwiązania Pareto-optymalne, które zostały poddane ocenie przez decydenta. W wyniku braku rozwiązania stanowiącego spełnienie minimalnych oczekiwań decydenta zrealizowano kolejny etap metody. Stosując narzędzie służące do eksploracji wiedzy - jMAF, bazującej na teorii zbiorów przybliżo-nych w oparciu o relację dominacji, została przeprowadzona ocena spójności wiedzy o procesie, wyrażonej w postaci rozwiązań niezdominowanych. W opar-ciu o algorytm generacji reguł decyzyjnych DOMLEM został wygenerowany

Streszczenie 11

zbiór deterministycznych reguł, które poddano dalszej selekcji z uwagi na ich względną siłę. Reguły o największej sile oddziaływania (poparte relatywnie największą liczbą obiektów stanowiących podstawę do wygenerowania tych reguł) zostały wykorzystane do zmodyfikowania modelu matematycznego zdefiniowanego na etapie 3. W efekcie, w analizowanym przypadku procesu realizacji dostaw sześciokrotnie powtórzono etapy od 3 do 5 w trybie inter-aktywnego dialogu z decydentem, natomiast w siódmej iteracji uzyskano osta-teczne rozwiązanie problemu – optymalną (kompromisową) konstrukcję proce-su transportowego.

Uzyskane wyniki dowodzą możliwości wygenerowania satysfakcjonującego rezultatu wielokryterialnej optymalizacji oraz pozwalają na uwzględnienie za-równo wielu kryteriów, stochastycznego charakteru zjawisk występujących w procesie, jak i zmian o charakterze dynamicznym, występujących zarówno w samym procesie i na styku z jego otoczeniem.

Niniejsza rozprawa habilitacyjna została zrealizowana przy wsparciu ze środków Narodowego Centrum Nauki, w ramach grantu habilitacyjnego 7909/ B/T02/2011/40, zrealizowanego przez autora w latach 2011-2013.

Bibliografia

1. Agerfalk P., Goldkuhl G., Cronholm S., Information systems actability engineering – integrating analysis of business process and usability requirements. Proceedings of the 4th International Workshop on the Language Action Perspective on Communication Modelling, Copenhagen 1999, s. 1245–1252.

2. Aghdasi M., Malihi S.E., Rule based business process optimization. IEEE International Conference on Industrial Engineering and Engineering Management, IEEM 2010, s. 305–309.

3. Aguilar-Savén R.S., Business process modelling: Review and framework. International Journal of Pro-duction Economics, 2004, vol. 90, s. 129–149.

4. Aldowaisan T.A., Gaafar L.K., Business process reengineering: an approach for process mapping. Omega, The International Journal of Management Science, 1999, vol. 27, s. 515–524.

5. Alves A., Arkin A., Askary S., Barreto C., Bloch B., Curbera F., Ford M., Goland Y., Guzar A., Kartha N., Liu C.K., Khalaf R., Koenig D., Marin M., Mehta V., Thatte S., Rijn D., Yendluri P., Yiu A., Web services business process execution language, version 2.0 (OASIS Standard). WS-BPEL TC OASIS. http://docs. oasis-open.org/wsbpel/2.0/ wsbpel- v2.0.html, 2007 (dostęp: 20.11. 2012).

6. American Productivity & Quality Center (APQC), Process classification framework - version 6.0.0. APQC, Texas, July 2012, http://www.apqc.org/knowledge-base/documents (dostęp: 20.11.2012 r.).

7. Andrews T., Curbera F., Dholakia H., Goland Y., Klein J., Leymann F., Liu K., Roller D., Smith D., Thatte S., Trickovic I., Weerawarana S., Business process execution language for web services, version 1.1. Standards proposal by BEA Systems, International Business Machines Corporation, and Microsoft Corporation, 2003.

8. Arlbjørn J.S., Haug A., Business process optimization. Aarhus, Academica, 2010. 9. Azibi R., Vanderpooten D., Construction of rule-based assignment models. European Journal of Opera-

tional Research, 2002, vol. 138, no. 3, s. 274–293. 10. Bartz-Beielstein T., Mehnen J., Naujoks B., Schmitt K., Zibold D., KEA - a software package for deve-

lopment, analysis and application of multiple objective evolutionary algorithms. University of Dortmund, REIHE Computational Intelligence Collaborative Research Center, Technical Report No. CI-185/04, Dortmund, 2004. http://www. ania. mx/~ccoello/EMOO/bartz04.pdf.gz. (dostęp on-line 1.07.2013).

11. Bażan J., Skowron A., Synak P., Discovery of decision rules from experimental data. W: T.Y. Lin, A.M. Wildberger (eds.), Soft computing, Society for Computer Simulation, San Diego, 1995, s. 276–279.

12. Bażan J., Skowron A., Synak P., Dynamic reducts as a tool for extracting laws from decision tables. Proceedings of the 8th International Symposium ISMIS ’94: Methodologies for Intelligent Systems, Lecture Notes in Artificial Intelligence, 1994, vol. 869, s. 346–355.

13. Becker J., Kugeler M., The process in focus. W: J. Becker, M. Kugeler, M. Rosemann (eds.), Process management: A guide for the design of business processes, Springer, Heidelberg 2003, s. 1–12.

14. Bitkowska A., Zarządzanie procesami biznesowymi w przedsiębiorstwie. VIZJA Press & IT, Warszawa 2009.

15. Błaszczyński J., Greco S., Matarazzo B., Słowiński J., Szeląg M., jMAF – Dominance-based rough set data analysis framework. W: A. Skowron, Z. Suraj (eds.), Rought sets and inteligent systems. Inte-lligent Systems Reference Library, 2013, vol. 42, s. 185–209.

16. Brown E. M., Boolean reasoning. Kluwer Academic Publishers, Dordrecht 1990. 17. Buco M. J., Chang R. N., Luan L. Z., So E., Tang Ch., Ward Ch., PEM: A framework enabling continual

optimisation of workflow process executions based upon business value metrics. IEEE International Conference on Services Computer, 2005, vol. 2, s. 33–40.


18. Bukowski L., Feliks J., Grzechca W., Lenort R., Hanczar P., Kostrzewski M., Kulińska E., Sawicka H., Sawicki P., Żak J., Quantitative decision making methods in logistics. Wydawnictwa AGH, Kraków 2013 (przyjęte do druku).

19. Čančer V., From simulation with business process optimisation model to eco-efficiency. 22nd Inter-national Conference on Information Technology Interfaces – ITI 2000, June 13–16, Pula, 2000, s. 351–356.

20. Castellanos M., Casati F., Umeshwar D., Ming-Chien S., A comprehensive and automated approach to intelligent business processes execution analysis. Distributed and Parallel Databases, 2004, vol. 16, s. 1–35.

21. Chrissis M. B., Konrad M., Shrum S., CMMI - Guidelines for process integration and product impro-vement. Addison-Wesley Professional, 2003.

22. Corne D. W., Jerram N. R., Knowles J. D., Oates M. J., PESA-II: Region-based selection in evolutionary multiobjective optimization. Proceedings of the Genetic and Evolutionary Computation Conference – GECCO 2001, San Francisco 2001, s. 283–290.

23. Cyfert S., Granice organizacji. Wydawnictwo Uniwersytetu Ekonomicznego, Poznań 2012. 24. Cyfert S., Strategiczne doskonalenie architektury procesów w zarządzaniu przedsiębiorstwem. Roz-

prawa habilitacyjna, vol. 28, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań 2006. 25. Davenport T. H., Process innovation: Reengineering work through information technology. Harvard

Business School Press, Boston 1993. 26. Davenport T. H., Short, J. E., The new industrial engineering: Information technology and business

process redesign. Sloan Management Review, Summer, 1990, s. 11–27. 27. Davis R., Brabänder E., ARIS designed platform. Getting started with BPM. Springer-Verlag, London

2007. 28. Deb K., Multi-objective optimisation using evolutionary algorithms. John Wiley & Sons, New York 2001. 29. Dewan R., Seidmann A., Walter W., Workflow optimization through task redesign in business infor-

mation processes. Proceedings of the 31st Hawaii International Conference on System Sciences, 1998, vol. 1, s. 240–252.

30. Dimitras A.I., Słowiński R., Susmaga R., Zopounidis C., Business failure prediction using rough sets. European Journal of Operational Research, 1999, vol. 114, no. 2, s. 263–280.

31. Dorigo M., Birattari M., Stutzle T., Ant colony optimization artificial ants as a computational intelligence technique. IEEE Computational Intelligence Magazine, 2006, vol. 1, no. 4, s. 28–39.

32. Dudek M., Rudnicki A., Wpływ czynnika jakości na dobór rodzaju środka przewozowego w miejskim transporcie zbiorowym. Transport Miejski i Regionalny, 2008, vol. 2, s. 7–12.

33. Dumas M., ter Hofstede A., van der Aalst W. M. P., Process aware information systems: Bridging people and software through process technology. John Wiley & Sons, Chichester 2005.

34. Durillo J.J., Nebro A.J., jMetal: A Java framework for multi-objective optimization. Advances in Engineering Software, 2011, vol. 42, no. 10, s. 760–771.

35. Fan Y.S., Fundamental of workflow management technology. Springer-Verlag, New York 2001. 36. Fowler M.S., UML distilled: A brief guide to the standard object modeling language. Addison-Wesley,

2000. 37. Gabryelczyk R., ARIS w modelowaniu procesów biznesu. Difin, Warszawa 2006. 38. Greco S., Matarazzo B., Słowiński R., A new rough set approach to multicriteria and multiattribute cla-

ssification. Lecture Notes in Artificial Intelligence, 1998, vol. 1424, s. 60–67. 39. Greco S., Matarazzo B., Słowiński R., Dominance-based rough set approach to interactive

multiobjective optimization. W: J. Branke et al. (eds.), Multiobjective optimization. Lecture Notes in Computing Science, 2008, vol. 5252, s. 121–155.

Bibliografia 179

40. Greco S., Matarazzo B., Słowiński R., Multicriteria classification by dominance-based rough set approach. Methodological basis of the 4eMka system. Chapter C5.1.9, W: W. Kloesgen, J. Zytkow (eds.), Handbook of data mining and knowledge discovery, New York, Oxford University Press, 2002, s. 318–328.

41. Greco S., Matarazzo B., Słowiński R., Rough sets methodology for sorting problems in presence of multiple attributes and criteria. European Journal of Operational Re-search, 2002, vol. 138, no. 2, s. 247–259.

42. Greco S., Matarazzo B., Słowiński R., Rough sets theory for multicriteria decision analysis. European Journal of Operational Research, 2001, vol. 129, no. 1, s. 1–47.

43. Gunasekaran A., Kobu B., Modelling and analysis of business process reengineering. International Journal of Production Research, 2002, vol. 40, no. 11, s. 2521–2546.

44. Haase V.H., Computer models for strategic business process optimisation. Proceedings of the 26th Euromicro Conference, IEEE Computer Society, 2000, vol. 2, s. 254–260.

45. Hammer M., Champy J., Reengineering the corporation: A manifesto for business revolution. Brealey, London 1993.

46. Harmon P., Business process change. A guide for business managers and BPM and Six Sigma profe-ssionals. Morgan Kaufmann, San Francisco 2007.

47. Hofacker I., Vetschera R., Algorithmical approaches to business process design. Computers & Opera-tions Research, 2001, vol. 28, s. 1253–1275.

48. Houy C., Fettke P., Loos P., van der Aalst W. M. P., Krogstie J., BPM-in-the-Large – Towards a higher level of abstraction in business process management. W: M. Janssen et al. (eds.), EGES/GISP 2010, IFIP Advances in Information and Communication Technology, 2010, vol. 334, s. 233–244.

49. Huang Z., Lu X., Duan H., A task operation model for resource allocation optimisation in business process management. IEEE Transation on Systems, Man & Cybernetics. Part A - Systems & Humans, 2012, vol. 42, no. 5, s. 1256–1270.

50. Hwang Ch.-L., Masud A.S.M., Multiple objective decision making, methods and applications: a state-of-the-art survey. Springer-Verlag, 1979.

51. Irani Z., Hlupic V., Giaglis G.M., Business Process Reengineering: An analysis perspe-ctive. International Journal of Flexible Manufacturing Systems, 2002, vol. 14, s. 5–10.

52. Jacobson I., The object advantage. Addison-Wesley, 1995. 53. Jacyna M, Modelowanie wielokryterialne w zastosowaniu do oceny systemów transportowych. Prace

Naukowe Politechniki Warszawskiej, Transport, Warszawa 2001. 54. Jacyna M., Modelowanie i ocena systemów transportowych. Oficyna Wydawnicza Politechniki War-

szawskiej, Warszawa 2009. 55. Jacyna M., Wybrane zagadnienia modelowania systemów transportowych. Warszawa, Oficyna Wy-

dawnicza Politechniki Warszawskiej, Warszawa 2009. 56. Johansson H. J., Business process reengineering: breakpoint strategies for market dominance. John

Wiley & Sons, Chichester 1993. 57. Kalpic B., Bernus P., Business process modelling in industry - the powerful tool in enterprise mana-

gement. Computers in Industry, 2002, vol. 47, no. 38, s. 299–231. 58. Kamrani F, Ayani R., Moradi F., A framework for simulation-based optimisation of business process

models. Simulation: Transactions of the Society for Modeling and Simulation Inernational, 2012, vol. 88, no. 7, s. 852–869.

59. Kannengiesser U., Subsuming the BPM life cycle in an ontological framework of designing. W: J. L. G. Dietz et al. (eds.), CIAO 2008 and EOMAS 2008. Lecture Notes in Business Information Processing, 2008, vol. 10, s. 31–45.

60. Kennedy J., Eberhart R. C., Shi Y., Swarm intelligence. Morgan Kaufmann Publishers, San Francisco 2001.


61. Kim C. - H., Weston R. H., Hodgson A., Lee K. H., The complementary use of IDEF and UML modelling approaches. Computers in Industry, 2003, vol. 50, no. 1, s. 35–56.

62. Kleinrock L., Queuing systems. Wiley, New York, 1976. 63. Knowles J. D., Corne D. W., Approximating the nondominated front using the Pareto archived evolution

strategy. Evolutionary Computation, 2000, vol. 8, no. 2, s. 149–172. 64. Koetter F., Weisbecker A., Renner T., Business Process optimisation in cross-company service

network. Service Research and Innovation Institute Global Conference, 2012, s. 715–724. 65. Kopa M., Sawicki P., Optymalizacja przydziału pojazdów w procesie realizacji pasażerskich przewozów

regularnych. W: J. Feliks, M. Karkula (red.), Wybrane zagadnienia logistyki stosowanej – Tom II, Wydawnictwo AGH, Kraków 2013, s. 243–256.

66. Krawczyk S., Logistyka teoria i praktyka. Tom 2, Warszawa, Wyd. Difin, 2011. 67. Kwak N.K., Lee Ch.W., Business process reengineering for health-care system using multicriteria

mathematical programming. European Journal of Operational Research, 2002, vol. 140, s. 447–458. 68. Larischev O. I., Moshkovich H. M., An approach to ordinal classification problems. International

Transactions on Operation Research, 1994, vol. 1, no. 3, s. 375–385. 69. Law A. M., Kelton W. D., Simulation, modelling and analysis. McGraw & Hill, New York 2000. 70. Lawrence P., Workflow handbook. John Wiley & Sons, Chichester 1997. 71. Leszczyński J., Modelowanie systemów i procesów transportowych. Oficyna Wydawnicza Politechniki

Warszawskiej, Warszawa 1994. 72. Leymann F., Roller D., Production workflow: Concept and techniques. Prentice Hall, 2000. 73. Lindsay A., Downs D., Lunn K., Business processes - attempts to find a definition. Information and

Software Technology, 2003, vol. 45, no. 15, s. 1015–1019. 74. McCarthy D., Rich N., Lean TPM. A Blueprint for Change. Elsevier, 2004. 75. Melão N., Pidd M., A conceptual framework for understanding business process and business process

modeling. Information System Journal, 2000, vol. 10, no. 2, s.105–129. 76. Mendling J., Metrics for process models. Lecture Notes in Business Information Processing, 2008, vol.

6, s. 1–15. 77. Menzel C., Mayer R.J., The IDEF family of languages. W: P. Bernus, K. Mertins, G. Schmidt (eds.),

Handbook on architectures of information systems, Berlin, Heidelberg, Springer 2006, s. 215–249. 78. Meško I., Meško T., Multiphase business process optimization. Belgian Journal of Operational Re-

search, Statistics and Computer Science, 1994, vol. 34, no. 4, s. 63–71. 79. Miettinen K., Mustojoki J., Stewart T. J., Interactive multiobjective optimization with NIMBUS for deci-

sion making under uncertainty. OR Spectrum, June 2013, 10.1007/ s00291-013-0328-5. 80. Miettinen K., Nonlinear multiobjective optimization. Springer, 1999. 81. Miettinen K., Ruiz F., Wierzbicki A.P., Introduction to multiobjective optimisation: Interactive approach.

W: J. Branke et al. (Eds.): Multiobjective optimisation, Lecture Notes in Computer Science, 2008, vol. 5252, s. 27–57.

82. Mitzberg H., The structure of organizations. Prentice-Hall, New York 1979. 83. Muehlen M.Z., Workflow-based process controlling. Foundation, design, and implementation of work-

flow-driven process information systems. Advances in Information Systems and Management Science, 2004, vol. 6.

84. Netjes M., Reijers H. A., van der Aalst W. M. P., Supporting the BPM life-cycle with FileNet. W: Krogstie J., Halpin T.A., Proper H.A.E. (Eds), Proceedings of the Workshop on Exploring Modeling Methods for Systems Analysis and Design (EMMSAD’06) and 18th Conference on Advanced Information Systems (CAiSE’06), Luxembourg, 2006, s. 497–508.

Bibliografia 181

85. Niedermann F., Radeschütz S., Mitschang B., Business process optimization using formalised optimi-sation patterns. W: W. Abramowicz (ed.), Lecture Notes in Business Information Processing, 2011, vol. 87, s. 123–135.

86. Niedermann F., Schwarz H., Deep business optimization: Making business process optimization theory work in practice. W: T. Halpin et al., (eds.), BPMDS 2011 and EMMSAD 2011, Springer-Verlag Berlin Heidelberg, Lecture Notes in Business Information Processing, 2011, vol. 81, s. 88–102.

87. Nowosielski S., Procesy i projekty logistyczne. Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław 2008.

88. Object Management Group, Business process model and notation (BPMN) – Version 2.0, January 2011, http://www.omg.org/spec/BPMN/2.0 (dostęp: 08.02.2013).

89. Pall G.A., Quality Process Management. Prentice-Hall, New York 1987. 90. Pawlak Z., Rough sets: Theoretical aspects of reasoning about data. Kluwer, Dordrecht 1991. 91. Petri A.C., Communication with Automata. Rozprawa doktorska, 1966. 92. Polkowski L., Skowron A., Rough sets in knowledge discovery. Vol. 1, Methodology and applications.

Heidelberg, Physica-Verlag, 1998. 93. Polkowski L., Skowron A., Rough sets in knowledge discovery. Vol. 2, Applications, case studies and

software systems. Heidelberg, Physica-Verlag, 1998. 94. Pop C.B., Chifu V.R., Salomie I., Kovacs T., Niculici A.N, Suia D.S., Business process optimization using

bio-inspired methods – Ant or bee intelligence? 2012 IEEE International Conference on Intelligent Computer Communication and Processing, 2012, s. 65–71.

95. Porter M.E., Competitive advantage. New York, Free Press, 1985. 96. Puhlmann F., Weske M., Using the Pi-calculus for formalizing workflow patterns. W: W. M. P. van der

Aalst, B. Benatallah, F. Casati, F. Curbera (eds.), Business Process Management, Springer, Heidelberg, Lecture Notes in Computer Science, 2005, vol. 3649, s. 153–168.

97. Quan L., Tian G-S., A business processes’ multi-obejctive optimization model based on simulation. International Conference on Informationa Management, Innovation Management and Industrial Engineering, 2009, s. 572–575.

98. Redmer A., Sawicki P., Żak J., Multiobjective optimisation of the fleet replacement policy in a trans-portation company. Conference Proceedings: Improving Knowledge and Tools for Transportation and Logistics Development, Rome, Italy, September 11–14, 2000, s. 132–136.

99. Redmer A., Sawicki P., Żak J., Multiobjective optimisation of the fleet size in the road freight transportation company. Conference Proceedingsof the Second International Workshop on Freight Transportation and Logistics – ODYSSEUS 2003, Mondello, Sicily, Italy, May 27–30, 2003 (Materiały na CD, file: RedmerSawicki-Zak.pdf).

100. Redmer A., Sawicki P., Żak J., Ustalanie optymalnego harmonogramu wymiany pojazdów w przed-siębiorstwach transportowych. Materiały konferencyjne IX Kongresu Eksploatacji Urządzeń Technicz-nych, Krynica, 23-25 września, 2001, vol. 2, s.191–202.

101. Redmer A., Żak J., Sawicki P., Maciejewski M., Heuristic approach to fleet composition problem. Procedia - Social and Behavioral Science, 2012, vol. 54, no. 4, s. 414–427.

102. Reichert M., Dadam P., ADEP – Supporting dynamic changes of workflows without losing control. Journal of Intelligent Information Systems, 1998, vol. 10, no. 2, s. 93–129.

103. Reijers H. A., Liman Mansar S., Best practices in business process redesign: An overview and quali-tative evaluation of sucessful redesign heuristics. Omega, 2005, vol. 33, s. 283–306.

104. Reijers H. A., Product-based design of business processes applied within the financial service. Journal of Research and Practice in Information Technology, 2002, vol. 34, no. 2, s. 110–122.

105. Reijers H. A., van Wijk S., Mutschler B., Leurs M., BPM in practice: Who is doing what? W: R. Hull, J. Mendling, S. Tai (eds.), BPM 2010, Lecture Notes in Computing Science, 2010, vol. 6336, s. 45–60.


106. Reijers H.A., Design and control of workflow processes: Business process management for the service industry. Springer-Verlag, Berlin Heidelberg 2003.

107. Renaud J. Thibault J., Lanouette R., Kiss L. N., Zaras K., Fonteix C., Comparison of two multicirteria decision aid methods: Net Flow and Rough Set methods in a high yield pulping process. European Journal of Operational Research, 2007, vol. 177, s. 1418–1432.

108. Ross S. M., Stochastic processes. John Wiley & Sons, 1983. 109. Rudnicki A., Wpływ nieregularności ruchu pojazdów komunikacji zbiorowej na warunki podróży pasaże-

rów. Transport Miejski i Regionalny, 2005, vol. 12, s. 34–40. 110. Rummler G. A., Brache A. P., Improving performance: How to manage the white space on the organi-

zational chart. Jossey-Bass, San Francisco 1995. 111. Saaty T. L., The analytic hierarchy process. McGraw-Hill, New York, 1980. 112. Salomie I., Chifu V. R., Pop C. B., Suciu R., Firefly-based business process optimization. IEEE Inter-

national Conference on Intelligent Computer Communication and Processing (ICCP), 2012, s. 49–56. 113. Sawicki P. (red.): 26th Mini-EURO Conference. Intelligent decision making in transportation and

logistics - New trends and directions. Procedia - Social and Behavioral Sciences, 2011, vol. 20, s. 942–1016.

114. Sawicki P., Biskup P., Inteligentny wybór pracowników – szansą zdobycia przewagi na rynku. Logistyka, 2007, vol. 4, s. 24–29.

115. Sawicki P., Charakterystyki oceny jakości w transporcie. Q jakości, 2005, vol. 1, no. 10, s. 58–71. 116. Sawicki P., Doświadczenia wykonawcy zamówienia w optymalizacji procesów związanych z obsługą

klienta. Przegląd Służby Cywilnej, Wydanie Specjalne, 2012, vol. 3, s. 23. 117. Sawicki P., Metoda oceny jakości systemu transportowego z zastosowaniem teorii zbiorów przybliżo-

nych. Rozprawa doktorska, Wydawnictwo Politechniki Warszawskiej, Warszawa 2003. 118. Sawicki P., Ocena jakości przedsiębiorstw transportowych za pomocą metody ROQUEFORT. Materiały

Menedżerskiego Warsztatu Transportowego, Tendencje rozwoju transportu. Poznań, 2005 (Materiał na CD).

119. Sawicki P., Potrzeba oceny jakości w transporcie. Q jakości, 2004, vol. 4, no. 9, s. 87–96. 120. Sawicki P., Sawicka H., Dziasek M., Redesign of the production process using simulation and MCDA

methods. Proceedings of XIV Conference on Total Logistics Management, Zakopane, 2010 (Materiały konferencyjne na CD).

121. Sawicki P., Sawicka H., Łaganowski Ł., Reorganizacja procesu naprawy wagonów z zastosowaniem metod symulacji i oceny wielokryterialnej. W: L. Bukowski (red.), Wybrane Zagadnienia Logis-tyki Stosowanej, Wydawnictwa AGH, Kraków 2009, s. 394–403.

122. Sawicki P., Sawicka H., Logistics process improvement using simulation and stochastic multiple criteria decision aiding. Procedia - Social and Behavioral Sciences, 2013, (przyjęte do druku).

123. Sawicki P., Sawicka H., Zastosowanie metod symulacji i stochastycznego wspomagania decyzji do usprawnienia procesu logistycznego. W: A. Lichota, K. Majewska (red.), Wybrane zagadnienia logistyki stosowanej – Tom I, Wydawnictwa AGH, Kraków 2013, s. 309–324.

124. Sawicki P., Wielokryterialny dobór operatora usług logistycznych. Logistyka, vol. 4, 2001, s. 59–66. 125. Sawicki P., Żak J., Technical diagnostic of a fleet of vehicles using rough sets theory. W: A. Jaszkie-

wicz, M. Kaczmarek, J. Żak, M. Kubiak (eds.), Advanced OR and AI Methods in Transportation, Wydawnictwo Politechniki Poznańskiej, Poznań, 2005, s. 770–779.

126. Sawicki P., Żak J., Technical diagnostic of a fleet of vehicles using rough set theory. European Journal of Operational Research, 2009, vol. 193, no. 3, s. 891–903.

127. Sawicki P., Żak J., The application of dominance-based rough sets theory to evaluation of trans-portation systems. Procedia - Social and Behavioral Sciences, 2013, (przyjęty do druku).

Bibliografia 183

128. Sawicki P., Żak J., Włodarczak H., Rough sets based quality evaluation of the road freight transportation system. Proceedings of 13th Mini-EURO Conference on Handling Uncertainty in the Analysis of Traffic and Transportation Systems, the 9th Meeting on EURO Working Group on Transportation – Intermodality, Sustainability and Intelligent Transportation Systems, June 10-13, Bari, 2002, s. 224–230 (dostępne pod adresem: http://www.iasi.cnr.it/ewgt/13conference/41_sawicki.pdf).

129. Scheer A.W., ARIS - Business Process Frameworks, Berlin, Springer-Verlag, 1999. 130. Scheer A.W., Business process reengineering. Reference models for industrial enterprises. Berlin,

Springer, 1994. 131. Senkul P., Toroslu I. H., An architecture for workflow scheduling under resource allocation constraints.

Information Systems, 2005, vol. 30, no. 5, s. 399–422. 132. Shen H., Wall B., Zaremba M., Chen Y., Browne J., Integration of business modelling methods for

enterprise information system analysis and user requirements gathering. Computers in Industry, 2004, vol. 54, s. 307–323.

133. Shimizu Y., Sahara Y., A supporting system for evaluation and review of business process through activity-based approach. Computers & Chemical Engineering, 2000, vol. 24, s. 997–1003.

134. Sitarz M, Chruzik K., Mańka I., Zintegrowany system zarządzania bezpieczeństwemw transporcie kolejowym. Cz. 4: System zarządzania bezpieczeństwem - podejście procesowe. Technika Transportu Szynowego, 2010, vol. 16, no. 7–8, s. 42–50.

135. Sitarz M., Chruzik K., Praktyczne rozwiązania w zakresie systemu zarządzania bezpieczeństwem u prze-woźników zbiorowych. Komunikacja Publiczna, 2010, vol. 2, s. 22–29.

136. Skowron A., Extracting laws from decision tables: a rough set approach. Computational Intelligence, 1995, vol. 11, no. 2, s. 371–388.

137. Software AG., ARIS Business Simulator. Informacje o produkcie: http://www.softwareag.com/corpo-rate/images/SAG_ARIS_BusSim_FS_Apr12_WEB_tcm16-78560.pdf, Software AG, 2012 (dostęp: 10.06.2013).

138. Soliman F., Optimum level of process mapping and least cost business process reengineering. International Journal of Operations and Production Management, 1998, vol. 18, no. 9–10, s. 810–816.

139. Stefanowski J., On rough set based approaches to induction of decision rules. W: A. Skowron A, L. Polkowski (eds.), Rough sets in data mining and knowledge discovery, vol. 1, Heidelberg, Physica-Verlag, 1998, s. 530–553.

140. Stelling M., Roy R., Tiwari A., A novel modelling and optimisation technique for busi-ness processes: An evolutionary computing based approach. W: Avineri E., et al., (eds.) Applications of Soft Computing, 2009, vol. 52, s. 75–85.

141. Steuer R., Multiple criteria optimisation: Theory, computation and application. New York, John Wiley & Sons, 1986.

142. Stock J.R., Lambert D.M., Strategic logics management. Irwin, McGraw-Hill, 2001. 143. Stohr E.A., Zhao J.L., Workflow automation: Overview and research issues. Information Systems

Frontiers, 2001, vol. 3, no. 3, s. 281–296. 144. Tanaka H., Fuzzy modeling and its applications. Asakura Shoten, Tokyo, 1990. 145. Tang H., Chen Y., Lu J., Architecture of process mining based business process optimisation. Procee-

dings of International Conference on Technology and Innovation, Hongzhou, November 2006, Section 1, Advanced Manufacturing Technology, 2006, s. 1066–1069.

146. Tartanus Ł., Dojrzałość procesowa polskich organizacji. 2010, http://procesowcy.pl/images/raport_ dojrzalosc_procesowa_marzec_2010.pdf (dostęp: 20.09.2010).

147. Tartanus Ł., Porównanie narzędzi wspierających BPM. styczeń 2011, http://procesowcy.pl (dostęp: 29.07.2013).


148. Teodorovic D., Dell’Orco M., Bee colony optimization – a cooperative learning approach to complex transportation problems. W: A. Jaszkiewicz, M. Kaczmarek, J. Żak, M. Kubiak (eds.), Advanced OR and AI Methods in Transportation, Wydawnictwo Politechniki Poznańskiej, Poznań, 2005, s. 51–60.

149. Thibault J., Lanouette R., Fonteix Ch., Kiss L.N., Multicriteria optimization of a high-yield pulping pro-cess. The Canadian Journal of Chemical Eng., 2002, vol. 80, s. 897–902.

150. Tiwari A., Turner Ch., Ball P., Vergidis K., Multi-objective optimisation of web business processes. W: K. Deb, et al. (eds.), SEAL 2010, Lecture Notes in Computing Science, 2010, vol. 6457, s. 537–577.

151. Tiwari A., Vergidis K., Roy R., Evolutionary optimization of business process designs. W: D. Keshav, K.C. Tan, P.I. Cowling (eds.), Evolutionary Scheduling, Studies in Com-putational Intelligence, 2007, vol. 49, s. 513–541.

152. Tiwari A., Vergidis K., Turner Ch., Evolutionary multiobjective optimisation of business processes. W: X.-Z. Gao, A. Gaspar-Cunha, M. Köppen, G. Schaefer, J. Wang (eds.), Soft Computing in Industrial Applications, Advances in Intelligent and Soft Computing, 2010, vol. 75, s. 293–301.

153. Trkman P., The critical success factors of business process management. International Journal of Information Management, 2010, vol. 30, s. 125–134.

154. van der Aalst W.M.P., Business process management, W: Ling L., Özsu M.T. (eds.) Encyclopedia of Database Systems. Springer, 2012, s. 290–294.

155. van der Aalst W.M.P., Re-engineering knock-out processes. Decision Support Systems, 2011, vol. 30, s. 451–468.

156. van der Aalst W.M.P., ter Hofstede A., YAWL: Yet Another Workflow Language. Information Systems, 2005, vol. 30, no. 4, s. 245–275.

157. van der Aalst W.M.P., ter Hofstede A.H.M., Weske M., Business process management: A survey. W: W.M.P. van der Aalst, A.H.M. ter Hofstede, M. Weske (Eds.), International Conference on Business Process Management (BPM 2003), Lecture Notes in Computer Science, 2003, vol. 2678, s. 1–12.

158. van der Aalst W.M.P., van Hee K., Workflow management: models, methods, and systems. Cambridge, MIT Press, 2004.

159. Vergidis K, Saxena D., Tiwari A., An evolutionary multiobjective framework for business process optimisation. Applied Soft Computing, 2012, vol. 12, s. 2638–2653.

160. Vergidis K., Business process optimisation using evolutionary multiobjective framework. Ph.D. Thesis, Cranfield, Cranfield University, 2008.

161. Vergidis K., Tiwari A., Business process design and attribute optimisation within an evolutionary frame-work. Conference Proceedings of 2008 IEEE Congress on Evolutionary Computation - CEC 2008, 2008, s. 668–675.

162. Vergidis K., Tiwari A., Majeed B., Roy R., Optimisation of business process design: An algoritmic approach with multiple objective. International Journal of Production Economics, 2007, vol. 109, s. 105–121.

163. Vergidis K., Turner C., Tiwari A., Business process perspectives: Theoretical developments vs. real-world practice. International Journal of Production Economics, 2008, vol. 114, no. 1, s. 91–104.

164. Völkner P., Werners B., A decision support system for business process planning. European Journal of Operational Research, 2000, vol. 25, no. 3, s. 633–647.

165. Wang M., Wang H., Intelligent agent supported business process management. Proceedings of the 38th Hawaii International Conference on System Sciences, Hawaii, 2005, s. 567–577.

166. Weber I.M., Semantic methods for execution-level business process modeling. Modeling support through process verification and service composition. Lecture Notes in Business Information Process-ing, 2009, vol. 40, s. 13–44.

167. Weske M., Business process management. Berlin, Springer-Verlag, 2012. 168. Weske M., van der Aalst W.M.P., Verbeek H.M.W., Advances in business process management. Data

& Knowledge Engineering, 2004, vol. 50, s. 1–8.

Bibliografia 185

169. White S.A. (ed.), Business process modeling notation, version 1.0., OMG Final Adop-ted Specification, Needham, MA, USA, 2006, http://www.bpmn.org (dostęp: 08. 02. 2013).

170. Żak J., Redmer A., Sawicki P., Multiple objective optimization of the fleet sizing problem for road freight transportation. Journal of Advanced Transportation, 2008, vol. 42 no. 4, s. 379–427.

171. Żak J., Redmer A., Sawicki P., Optymalizacja wielokryterialna liczebności pracowników w przed-siębiorstwie transportowym. Zeszyty Naukowe Wydziału Mechanicznego Politechniki Koszalińskiej, 2001, vol. 28, s. 445–454.

172. Żak J., Redmer A., Sawicki P., Wielokryterialne wspomaganie decyzji w transporcie drogowym. Zeszyty Naukowe Politechniki Poznańskiej, Wydział Maszyn Roboczych i Transportu, 2004, vol. 57, s. 243–250.

173. Żak J., Sawicki P., Jaszkiewicz A., Porównanie wybranych procedur metaheurystycznych w zastoso-waniu do rozwiązywania problemu marszrutyzacji. Zeszyty Naukowe Wydziału Mechanicznego Politechniki Koszalińskiej, 2003, vol. 32, s. 156–167.

174. Żak J., Sawicki P., Redmer A., Identyfikacja problemów decyzyjnych w polskich przedsiębiorstwach transportowo-spedycyjnych. Pierwszy krok do usprawnienia. Polski Kongres Logistyczny - Logistics 2000, Poznań, 2000 r., s. 171–176.

175. Zakarian A., Kusiak A., Process analysis and reengineering. Computers & Industrial Engineering, 2001, vol. 41, s. 135–150.

176. Zhou Y., Chen Y., Business process assignment optimization. Proceedings of the IEEE International Conference on Systems, Man and Cybernetics, Hammamet, 2002.

177. Zhou Y., Chen Y., Project-oriented business process performance optimization. Proceedings of the IEEE International Conference on Systems, Man and Cybernetics, 2003, vol. 5, s. 4079–4084.

178. Zhou Y., Chen Y., The methodology for business process optimised design. Conference Proceedings on the 29th Annual Conference of the IEEE Industrial Electronics Society - IECON 2003 IEEE, 2003, vol. 2, s. 1819–1824.

179. Zitzler E., Laumanns M., Thiele L., SPEA2: Improving the strength Pareto evolutionary algorithm. W: Giannakoglou K.C., et al., (eds.), Evolutionary methods for design optimization and control with appli-cations to industrial problems, International Center for Numerical Methods in Engineering, Athens, Greece, 2001, s. 95–100.

Summary

Mult iob ject ive process opt im isat ion in t ransportat ion

This dissertation deals with the problem of processes’ optimization in trans-

portation. The analysis of the current state of knowledge has been carried out and the following issues has been included: the meaning of the process, the pro-cesses’ modelling languages within optimization procedures, the methodolo-gical frameworks of the processes’ optimization procedures, the optimization criteria and the scope of optimization changes. Based on the results of the analysis carried out in the above mentioned areas a set of characteristics of a process optimization method has been defined and a research gap covered by this dissertation has been identified. As a result, the essential purpose of this research and a set of specific objectives have been defined.

Multiobjective optimization method proposed in this work is composed of six interconnected stages. In the stage 1 of this method modeling of the process is carried out, which is used to formalize the description of the process, to determine its course and to recognize cause-and-effect relationships. In the stage 2 the changes modifying the process are determined. For this purpose, a catalog of potential changes in the process is utilized and only these changes that are feasible under certain conditions, and are related to the activities in the process, to the resource, to the limits and the process environment are selected. In the stage 3 the mathematical modeling of the criteria and constraints in the analyzed process is carried out. The criteria are the basis for defining the generalized measurement evaluation of the process. The multiobjective mathematical programming is utilized to formulate them and the phenomena of a stochastic and dynamic nature is taken into account. In the stage 4 the simulation of the process performance is carried out that allows to reflect both all the changes defined in the process, as well as a number of specific configuration parameters of the process. The application of the simulation can also reflect the stochastic phenomena associated with the activities in the process and the dynamic phenomena resulting from the specific character of activities and applied resources, as well as the process logic and architecture. In the stage 5, the generated set of simulation results i.e. feasible solutions, is evaluated, the extraction of Pareto-optimal solutions is carried out and the decision regarding the continuation or discontinuation of seeking a solu-tion is made. In the absence of a foundation for further exploration the procedure is stopped. Otherwise, in the stage 6, it is assumed the exploration of previously accumulated knowledge about the process. On the one hand, this stage aims at evaluating the consistency of the available information, on the other hand it allows extracting the knowledge about the process to a minimum level. During this stage the decision rules are also generated, which are a generalization of the

relationship between the functional parameters of the process and its generalized measures (the values of criteria are defined in the stage 3). The assessment of the simulation results’ coherence is based on the rough set theory using the domi-nance relation, and the generation of decision rules is based on the inference mechanisms. After the review and the selection of the decision rules the procedure returns to the stage 3, wherein based on these rules the mathematical is modified, mainly the set of constraints. From this point starts the next iteration of stages 3 to 5 until the stop condition is reached - a satisfactory solution is obtained.

The developed method of the multiobjective optimization process has been verified experimentally on the example of the transportation process associated with the scheduling of parts and components from the operator’s warehouse to the vehicle’s production plant. In the stage 1 the process, which is composed of 19 activities, 3 types of organizational units involved in its operation, and 3 types of technical resources (inbound and outbound transportation means, ramps), has been identified in detail. The model of the process has been developed in the EPC notation in ARIS Business Architect tool. In the stage 2, based on the multiple criteria stochastic mathematical programming, the optimisation model with three criteria has been proposed, i.e. the timeliness of the proc ess, resources’ utilization and cost of the process, and a set of 6 constraints has been formulated. All criteria have also included the phenomenon of dynamic nature related to the trans-portation process, and resulting availability of the resources, accumulation of the tasks and external phenomena, mainly arising from traffic. In the stage 3, the choice of the process changes that concern: the definition of activities, linkages with the other processes, the type and the method of allocating resources, has been made. In the stage 4, the simulation model has been built with the application of a simulation tool ExtendSIM, the model has been parameterized and the simulation experiments have been carried out, leading to the selection of the set of feasible solutions. In the stage 5, an assessment of the results obtained by extracting Pareto-optimal solutions, which have been evaluated by the decision maker, has been carried out. As a result of the lack of solutions constituting the minimum expectations of the decision maker, the next stage of the method has been completed. Using a tool for the exploration of knowledge – jMAF, based on the dominance-based rough sets theory, the assessment of the consistency of the process knowledge presented as non-dominance solutions, has been carried out. On the basis of the DOMLEM algorithm of decision rules generation, the set of deterministic rules has been generated and their further selection has been undergone in the view of their relative strength. Rules of the highest impact strength (supported by the relatively highest number of objects constituting the basis for generating theses rules) have been used to modify the mathematical model defined in stage 3. As a result, in the analysed case of delivery process the stages from 3 to 5 have been six-fold repeated in the iterative dialogue with the decision maker, while the seventh iteration gave the final solution of the problem – the optimal (compromise) structure of the considered process.

The obtained results show the possibility to generate a satisfactory result of the

multiobjective optimization, and to take into account the number of criteria, the stochastic nature of the phenomena occurring in the process, as well as dynamic changes presented both in this process and its linkage with the environment.

This dissertation was completed with the support of the National Science Centre funds in the framework of a habilitation grant 7909/B/T02/2011/40, implemented by the author in 2011-2013.

WIELOKRYTERIALNA OPTYMALIZACJA PROCESÓW W...

Documents

Transcript of WIELOKRYTERIALNA OPTYMALIZACJA PROCESÓW W...