💻 computer science

From Global Policies to Local Strategies: Multi-Objective Optimization of Resource-Specific Handover Policies

Dieses Papier führt ein neuartiges Multi-Objective-Optimierungsframework ein, das einen Multi-Agenten-System-Simulator mit einem multi-objektiven evolutionären Algorithmus kombiniert, um Pareto-optimale, ressourcenspezifische Handover-Strategien zu generieren, wodurch durch die explizite Modellierung von Inter-Ressourcen-Kollaborationsmustern signifikante Reduzierungen der Kosten und Wartezeiten erreicht werden.

Ursprüngliche Autoren: Lukas Kirchdorfer, Artemis Doumeni, Han van der Aa, Hugo A. López

Veröffentlicht 2026-06-02

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Lukas Kirchdorfer, Artemis Doumeni, Han van der Aa, Hugo A. López

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich ein geschäftiges Büro vor, in dem Mitarbeiter ständig Arbeitsdateien aneinander weitergeben. Normalerweise gibt es ein starres Regelbuch: „Wenn du Aufgabe A abgeschlossen hast, musst du sie an Person B übergeben.“ So steuern die meisten Unternehmen derzeit ihre Arbeitsabläufe.

Aber in der realen Welt sind Menschen klüger als Regelbücher. Manchmal ergibt es sogar Sinn, die Arbeit an Alice zu übergeben, anstatt an Bob, auch wenn die Regel eigentlich sagt: „Gib sie an Bob weiter“ – weil Alice schneller ist oder weil Bob bereits überlastet ist.

Dieses Paper stellt einen neuen Weg vor, um die bestmöglichen Übergaberegeln für ein Team zu ermitteln, nicht nur für das gesamte Unternehmen, sondern für jede einzelne Person.

Hier ist die Aufschlüsselung ihres Ansatzes, unter Verwendung einfacher Analogien:

1. Das Problem: Der Fehler des „passiven Arbeiters“

Aktuelle Computerprogramme, die versuchen, die Effizienz von Geschäftsprozessen zu verbessern, behandeln Mitarbeiter wie passive Briefkästen. Sie fragen: „Welcher Briefkasten ist leer? Leg den Brief dort hinein.“

Was sie übersehen: Sie ignorieren die Tatsache, dass Mitarbeiter aktive Entscheidungsträger sind. Im echten Leben denken Sie zum Beispiel: „Wenn ich eine Aufgabe fertiggestellt habe, schaue ich mich um und denke: ‚Ich weiß, wer gut für den nächsten Schritt geeignet ist, und ich weiß, wer gerade Zeit hat. Ich wähle die beste Person für diesen spezifischen Job.‘“
Das Ergebnis: Aktuelle Systeme verursachen oft Staus (Wartezeiten) oder verschwenden Geld, indem sie Arbeit an die falschen Leute senden.

2. Die Lösung: Ein „Team von Agenten“-Simulator

Die Autoren haben einen digitalen Spielplatz (ein Multi-Agenten-System) gebaut, in dem jeder Mitarbeiter als unabhängiger Charakter (ein „Agent“) mit eigenen Fähigkeiten, Geschwindigkeiten und Kosten modelliert wird.

Anstatt zu fragen: „Wer ist frei?“, fragt das System: „Wenn ich Mitarbeiter A bin und gerade Aufgabe X abgeschlossen habe, an wen sollte ich sie am besten übergeben?“
Dies erzeugt eine personalisierte Übergabestrategie für jeden einzelnen Mitarbeiter.

3. Der Motor: Der „evolutionäre Koch“

Um die perfekten Regeln zu finden, verwendeten sie eine Methode, die von der Natur der Evolution inspiriert ist (speziell einen Algorithmus namens NSGA-II). Stellen Sie sich das wie einen Kochwettbewerb vor:

Die Zutaten: Sie beginnen mit den aktuellen Regeln (der „Ist-Strategie“).
Die Teilnehmer: Sie generieren 100 verschiedene „Versionen“ der Regeln. Einige sind zufällig, andere sind leichte Anpassungen der aktuellen Regeln.
Der Geschmackstest (Simulation): Sie lassen den Geschäftsprozess im Simulator tausende Male mit jedem Satz von Regeln durchlaufen, um zu sehen, wie er abschneidet.
Die Richter (Ziele): Sie bewerten die Ergebnisse hauptsächlich nach zwei Kriterien:
1. Kosten: Wie viel Geld haben wir ausgegeben?
2. Wartezeit: Wie lange lag die Arbeit ungenutzt herum?
Die Evolution: Die „schlechten“ Rezepte werden aussortiert. Die „guten“ Rezepte werden miteinander vermischt (Crossover) und leicht verändert (Mutation), um eine neue, bessere Generation von Regeln zu erschaffen.

4. Das Ergebnis: Eine Speisekarte der Auswahlmöglichkeiten (Die Pareto-Front)

Normalerweise müssen Sie sich zwischen „billig“ oder „schnell“ entscheiden. Wenn Sie es schnell wollen, kostet es mehr. Wenn Sie es billig wollen, dauert es länger.

Dieses Paper liefert Ihnen nicht nur eine Antwort. Es liefert Ihnen eine Pareto-Front, die wie eine Speisekarte der perfekten Kompromisse funktioniert.
Option A: Die „Speed Demon“-Strategie (Schnellste Zeit, etwas höhere Kosten).
Option B: Die „Budget Saver“-Strategie (Günstigster Preis, etwas längere Dauer).
Option C: Die „Balanced“-Strategie (Ein guter Mittelweg).
Dies ermöglicht es einem Manager, die Strategie zu wählen, die seinen aktuellen Anforderungen entspricht.

5. Der Beweis: Was geschah im Test?

Die Autoren testeten dies mit fiktiven Daten und realen Geschäftsprotokollen (wie Kreditanträgen und Beschaffungsprozessen).

Das Ergebnis: Ihre Methode war ein großer Erfolg.
- Sie senkte die Kosten um durchschnittlich 37 %.
- Sie reduzierte die Wartezeit um durchschnittlich 58 %.
Warum es funktionierte: Im Gegensatz zu einfachen Regeln, die einfach die „billigste“ Person wählen (was oft zu Engpässen führt, da billige Personen oft langsam sind), lernte dieses System, dass es manchmal sinnvoll ist, etwas mehr zu bezahlen, um einen schnelleren Experten zu nutzen, um insgesamt Geld zu sparen, indem man den gesamten Prozessfluss aufrechterhält.

Zusammenfassung

Betrachten Sie dieses Paper als einen intelligenten Verkehrskontrolleur für ein Unternehmen. Anstatt Autos (Aufgaben) in eine einzige Spur zu zwingen, schaut er sich jeden Fahrer (Ressource) an und sagt ihm genau, in welche Spur er als Nächstes wechseln muss, um Staus zu vermeiden und Benzin zu sparen. Er liefert nicht nur eine Regel, sondern ein ganzes Set an perfekten Strategien, damit der Chef diejenсь wählen kann, die am besten zu seinen Zielen passt.

Technisches Resümee: Multi-Objective Optimierung ressourcenspezifischer Übergabepolitiken

Problemdefinition

Effiziente Ressourcenallokation ist eine kritische Herausforderung im Business Process Management (BPM), die sich direkt auf Kosten, Durchlaufzeiten und Auslastung auswirkt. Während jüngste Ansätze des Reinforcement Learning (RL) vielversprechende Ergebnisse bei der Ableitung adaptiver Allokationspolitiken gezeigt haben, verlassen sie sich typischerweise auf globale Politiken, die ausschließlich auf Aufgabenverfügbarkeit und Ressourcenkapazität basieren. Diese Methoden behandeln Ressourcen als passive Empfänger von Zuweisungen und vernachlässigen dabei die aktive Entscheidungsrolle der Ressourcen (insbesondere von Menschen) sowie die zwischenressourcenseitigen Kollaborationsmuster, die reale Aufgabenübergaben prägen.

Bestehende Optimierungsansätze konzentrieren sich oft auf die Zuweisung von Aufgaben an Ressourcen oder die Bestimmung von Personalstärken, versäumen es jedoch, ressourcenspezifische Übergabepolitiken (Handover Policies) zu optimieren. Eine Übergabepolitik definiert, welche Ressource die nachfolgende Aktivität durchführt, wenn eine spezifische Ressource eine spezifische Aktivität abschließt. Die Autoren argumentieren, dass das Ignorieren dieser lokalen, ressourcenspezifischen Abhängigkeiten einen entscheidenden Hebel zur Prozessverbesserung übersieht. Das Kernproblem, das adressiert wird, ist die Multi-Objective-Optimierung dieser Übergabepolitiken, um optimale Kompromisse zwischen widersprüchlichen Zielen (z. B. Kosten vs. Wartezeit) unter Berücksichtigung der kollaborativen Struktur des Prozesses zu finden.

Methodik

Der vorgeschlagene Ansatz kombizes ein auf einem Multi-Agenten-System (MAS) basierendes Prozesssimulationsmodell mit einem Multi-Objective-Evolutionären Algorithmus (NSGA-II), um Pareto-optimale, ressourcenspezifische Übergabepolitiken zu entdecken.

1. Simulationsmodell

Die Grundlage des Ansatzes ist ein Simulationsmodell $M = (A, S, \pi_0, \beta)$ , wobei:

$A$ : Eine Menge von Agenten, die Ressourcen repräsentieren, charakterisiert durch Verfügbarkeitskalender und Fähigkeiten (Aktivitäten, die sie ausführen können, und Ausführungszeitverteilungen).
$S$ : Globale Simulationsparameter (z. B. Interarrival-Verteilungen der Fälle).
$\pi_0$ : Die „Ist“-Übergabepolitik (As-Is Policy).
$\beta$ : Die Kontrollfluss-Politik, die die nächste Aktivität bestimmt.

Dieses Modell kann manuell spezifiziert oder automatisch aus Ereignisprotokollen (Event Logs) mith помощью von Werkzeugen wie AgentSimulator entdeckt werden.

2. Optimierungsrahmen

Das System verwendet einen genetischen Algorithmus, um eine Menge von Übergabepolitiken $\pi$ zu suchen, die einen Kostenvektor $c(L) = [f_1(L), \dots, f_k(L)]$ minimieren, wobei $L$ das durch die Simulation generierte Ereignisprotokoll ist. Die Ziele werden simultan minimiert, um die Pareto-Front zu identifizieren.

Der Optimierungsablauf besteht aus drei iterativen Schritten:

Erstellung der Initialpopulation: Eine initiale Population von Politiken wird basierend auf der „Ist“-Politik $\pi_0$ generiert. Der Suchraum wird dadurch beschnitten, dass Entscheidungspunkte entweder als Fest (nicht verhandelbare Geschäftsregeln, vom Optimierungsprozess ausgeschlossen) oder Variabel (flexible Teile) klassifiziert werden. Die Population umfasst Zufallspoliktiken zur Exploration, mutierte Versionen von $\pi_0$ zur Exploitation sowie eine Kopie von $\pi_0$ als Baseline.
Simulation und Fitness-Evaluierung: Für jede Kandidatenpolitik wird der Simulator mehrfach ( $T$ Durchläufe) ausgeführt, um Ereignisprotokolle zu generieren. Die Fitness wird als der durchschnittliche Kostenvektor über diese Durchläufe berechnet, um die stochastische Varianz zu mildern.
Genetische Operatoren: Der NSGA-II-Algorithmus wendet Selektion, Crossover und Mutation an, um die Population zu entwickeln.
- Selektion: Verwendet Non-Dominated Ranking und Crowding Distance, um Diversität zu erhalten.
- Crossover: Vertauscht die gesamten Wahrscheinlichkeitsverteilungen der Entscheidungspunkte zwischen Eltern, um valide Nachkommen zu gewährleisten.
- Mutation: Führt Neuartigkeit durch vier verschiedene Varianten ein:
  - Random: Reinitialisiert die Wahrscheinlichkeitsverteilung an einem Entscheidungspunkt.
  - Greedy: Verschiebt die Wahrscheinlichkeitsmasse aggressiv vom schlechtesten zum besten Nachfolger basierend auf einer lokalen Heuristik.
  - Guided: Überträgt einen kleinen, zufälligen Bruchteil (10–50 %) der Wahrscheinlichkeitsmasse vom schlechtesten zum besten Nachfolger für feingranulare Anpassungen.
  - Hybrid: Eine gewichtete Kombination der oben genannten Strategien (60 % Guided, 20 % Greedy, 20 % Random).

3. Output

Der Algorithmus liefert eine Pareto-Front von Politiken, die Praktikern eine Menge von nicht-dominierten Lösungen bietet, die unterschiedliche Kompromisse zwischen den definierten Zielen darstellen.

Wichtigste Beiträge

Erster fundierter Ansatz: Diese Arbeit führt den ersten Ansatz zur fundierten Multi-Objective-Optimierung ressourcenspezifischer Übergabepolitiken in Geschäftsprozessen ein.
Kollaborationsbewusste Optimierung: Im Gegensatz zu bisherigen Arbeiten, die Ressourcen als passiv behandeln, modelliert dieser Ansatz Ressourcen als autonome Entscheidungsträger, die in der Lage sind, ihre Kollaborationspartner zu wählen, und optimiert damit die kollaborative Struktur des Prozesses.
Generischer Rahmen: Der Ansatz ist hinsichtlich der Zielmenge generisch und ermöglicht die Entdeckung von Pareto-Fronten für jede beliebige Kombination von Leistungsmetriken.
Datengestützte Fundierung: Das Simulationsmodell kann direkt aus Ereignisprotokollen entdeckt werden, wodurch sichergestellt wird, dass die Optimierung auf realen Prozessdaten basiert.

Experimentelle Ergebnisse

Der Ansatz wurde auf synthetischen und realen Datensätzen evaluiert, wobei Arbeitskosten und Wartezeit als primäre Ziele dienten.

Interne Validität (Synthetische Daten)

Experimente wurden mit fünf Varianten eines Kreditantragsprozesses (Loan Application) durchgeführt, die unterschiedliche Konfigurationen aufweisen (z. B. Ressourcenkonflikte, Skill-Unterschiede, Ankunftsraten).

Leistung: Der vorgeschlagene Ansatz übertraf konsistent die „Ist“-Baseline und heuristische Baselines (Available, Random, Cheapest, Shortest Processing Time).
Metriken: In allen Szenarien reduzierte der Ansatz die Kosten im Durchschnitt um 37 % und die Wartezeit um 58 % im Vergleich zum Ist-Prozess.
Verhaltensanalyse: In dem Szenario „LoanJS“ lernte die optimierte Politik, die Nutzung teurer, schneller Ressourcen mit der Nutzung günstigerer, langsamerer Ressourcen auszubalancieren. Im Gegensatz dazu führte die „Cheapest“ (LC)-Heuristik zu einer schweren Warteschlangenbildung, da sie ausschließlich langsame, günstige Ressourcen nutzte, während die optimierte Politik durch komplementäre Kollaborationsmuster ein global überlegenes Ergebnis erzielte.

Externe Validität (Reale Protokolle)

Der Ansatz wurde an sieben weit verbreiteten Ereignisprotokollen aus der Forschung zur Geschäftsprozesssimulation getestet (z. B. P2P, ACR, BPI12W, BPI17W).

Robustheit: Der Ansatz verbesserte sowohl die Kosten als auch die Wartezeit im Vergleich zur „Ist“-Baseline in allen sieben Datensätzen.
Trade-offs: Obwohl der Ansatz nicht immer die absolut niedrigsten Kosten erreichte (er rang in vier Datensätzen über der LC-Baseline), lieferte er konsistent überlegene Wartezeiten und einen vielfältigen Satz an Pareto-optimalen Lösungen.
Mutationsvarianten: Die Guided-Mutationsvariante erzielte die größte durchschnittliche Verbesserung (36,88 % Kostenreduktion, 57,71 % Wartezeitreduktion) über die Datensätze hinweg.
Rechenaufwand: Die Optimierung ist rechenintensiv und benötigt etwa 35 Mal länger als heuristische Baselines (durchschnittlich 103,85 Minuten gegenüber 2,96 Minuten), wobei die Laufzeit ähnlich wie bei den Baselines mit der Datensatzgröße skaliert.

Bedeutung und Ansprüche

Das Paper behauptet, dass Organisationen durch die Verlagerung des Optimierungsfokus von der globalen Aufgabenverteilung auf ressourcenspezifische Übergabepolitiken die Leistung ihrer Prozesse signifikant steigern können. Die Autoren betonen, dass ihr Ansatz:

Interressourcen-Abhängigkeiten erfasst: Er modelliert explizit die Entscheidungsautonomie der Ressourcen, ein Faktor, der in Standard-RL- oder Scheduling-Ansätzen oft ignoriert wird.
Handlungsorientierte Alternativen bietet: Durch die Generierung einer Pareto-Front bietet er Entscheidungsträgern einen transparenten Satz an Kompromissen statt einer einzelnen „optimalen“ Lösung, was die Auswahl von Politiken ermöglicht, die auf spezifische operative Ziele abgestimmt sind (z. B. Priorisierung von Geschwindigkeit gegenüber Kosten).
Substanzielle Gewinne demonstriert: Die experimentellen Ergebnisse zeigen, dass kollaborationsbewusste Optimierung sowohl Kosten als auch Wartezeiten erheblich senken kann und dabei etablierte Heuristiken übertrifft, die entweder für ein einzelnes Ziel optimieren oder langfristige Konsequenzen ignorieren.

Die Autoren räumen Einschränkungen ein, darunter die Abhängigkeit von der Simulationsgenauigkeit, das Risiko des Overfittings auf den Simulator und den Rechenaufwand der evolutionären Suche. Sie schlagen vor, dass zukünftige Arbeiten sich auf die Robustheitsanalyse, die Reduzierung der Rechenkosten und die Erweiterung des Politikraums auf dynamische Parallelisierung konzentrieren könnten.