Technisch overzicht: Multi-objectieve optimalisatie van resource-specifieke overdrachtsbeleidsregels

Probleemdefinitie

Efficiënte toewijzing van middelen is een cruciale uitdaging in business process management (BPM), wat direct invloed heeft op kosten, doorlooptijd en benutting. Hoewel recente Reinforcement Learning (RL)-benaderingen veelbelovend zijn gebleken voor het afleiden van adaptieve toewijzingsbeleidsregels, vertrouwen ze doorgaans op globale beleidsregels die uitsluitend gebaseerd zijn op taakbeschikbaarheid en resourcecapaciteit. Deze methoden behandelen resources als passieve ontvangers van toewijzingen, waarbij het actieve besluitvormingsproces van de resources (met name mensen) en de samenwerkingspatronen tussen resources die de werkelijke overdrachten van taken vormen, worden genegeerd.

Bestaande optimalisatiebenaderingen richten zich vaak op het toewijzen van taken aan resources of het bepalen van personeelsniveaus, maar falen in het optimaliseren van resource-specifieke overdrachtsbeleidsregels (handover policies). Een overdrachtsbeleidsregel definieert, voor een specifieke resource die een specifieke activiteit voltooit, welke resource de daaropvolgende activiteit moet uitvoeren. De auteurs stellen dat het negeren van deze lokale, resource-specifieke afhankelijkheden een cruciaal hefpunt voor procesverbetering over het hoofd ziet. Het kernprobleem dat wordt aangepakt, is de multi-objectieve optimalisatie van deze overdrachtsbeleidsregels om optimale afwegingen te vinden tussen conflicterende doelstellingen (bijv. kosten vs. wachttijd), terwijl rekening wordt gehouden met de collaboratieve structuur van het proces.

Methodologie

De voorgestelde aanpak combineert een Multi-Agent System (MAS)-gebaseerde processimulator met een multi-objectief evolutionair algoritme (NSGA-II) om Pareto-optimale, resource-specifieke overdrachtsbeleidsregels te ontdekken.

1. Simulatiemodel

De basis van de aanpak is een simulatiemodel $M = (A, S, \pi_0, \beta)$, waarbij:

• $A$: Een verzameling agenten die resources vertegenwoordigen, gekenmerkt door beschikbaarheidskalenders en capaciteiten (activiteiten die zij kunnen uitvoeren en distributies van executietijden).
• $S$: Globale simulatieparameters (bijv. distributies van case-interarrivals).
• $\pi_0$: Het "as-is" overdrachtsbeleid.
• $\beta$: Het control-flow beleid dat de volgende activiteit bepaalt.

Dit model kan handmatig worden gespecificeerd of automatisch worden ontdekt uit event logs met behulp van tools zoals AgentSimulator.

2. Optimalisatiekader

Het systeem maakt gebruik van een genetisch algoritme om te zoeken naar een verzameling overdrachtsbeleidsregels $\pi$ die een kostenvector $c(L) = [f_1(L), \dots, f_k(L)]$ minimaliseert, waarbij $L$ de door de simulatie gegenereerde event log is. De doelstellingen worden simultaan geminimaliseerd om de Pareto-front te identificeren.

De optimalisatieworkflow bestaat uit drie iteratieve stappen:

1. Creatie van de initiële populatie: Een initiële populatie van beleidsregels wordt gegenereerd op basis van het "as-is" beleid $\pi_0$. De zoekruimte wordt gepruned door beslispunten te classificeren als ofwel Vast (niet-onderhandelbare bedrijfsregels, uitgesloten van optimalisatie) of Variabel (flexibele onderdelen). De populatie bevat willekeurige beleidsregels voor exploratie, gemuteerde versies van $\pi_0$ voor exploitatie, en een kopie van $\pi_0$ als baseline.
2. Simulatie en fitness-evaluatie: Voor elke kandidaat-beleidsregel draait de simulator meerdere keren ($T$ runs) om event logs te genereren. De fitness wordt berekend als de gemiddelde kostenvector over deze runs om de stochastische variantie te mitigeren.
3. Genetische operatoren: Het NSGA-II algoritme past selectie, crossover en mutatie toe om de populatie te evolueren.
   • Selectie: Maakt gebruik van non-dominated ranking en crowding distance om diversiteit te behouden.
   • Crossover: Wisselt volledige waarschijnlijkheidsverdelingen van beslispunten tussen ouders uit om geldige nakomelingen te garanderen.
   • Mutatie: Introduceert nieuwheid via vier verschillende varianten:
     • Random: Herinitialiseert de waarschijnlijkheidsverdeling bij een beslispunt.
     • Greedy: Verschuift agressief de waarschijnlijkheidsmassa van de slechtste naar de beste opvolger op basis van een lokale heuristiek.
     • Guided: Draagt een klein, willekeurig deel (10–50%) van de waarschijnlijkheidsmassa over van de slechtste naar de beste opvolger voor fijnmazige aanpassingen.
     • Hybrid: Een gewogen combinatie van de bovenstaande strategieën (60% Guided, 20% Greedy, 20% Random).

3. Output

Het algoritme levert een Pareto-front van beleidsregels op, die de praktijk een verzameling non-gedomineerde oplossingen biedt die verschillende afwegingen vertegenwoordigen tussen de gedefinieerde doelstellingen.

Belangrijkste Bijdragen

• Gegrond বুকেerde aanpak: Dit werk introduceert de eerste benadering voor de gegronde multi-objectieve optimalisatie van resource-specifieke overdrachtsbeleidsregels in bedrijfsprocessen.
• Collaboratie-bewuste optimalisatie: In tegenstelling tot eerder werk dat resources als passief behandelt, modelleert deze aanpak resources als autonome besluitvormende agenten die in staat zijn om samenwerkingspartners te kiezen, waardoor de collaboratieve structuur van het proces wordt geoptimaliseerd.
• Generiek Kader: De aanpak is generiek met betrekking tot de set doelstellingen, waardoor de ontdekking van Pareto-fronten mogelijk is voor elke combinatie van prestatie-indicatoren.
• Data-gedreven gronding: Het simulatiemodel kan direct worden ontdekt uit event logs, waardoor de optimalisatie gegrond is in echte procesdata.

Experimentele Resultaten

De aanpak werd geëvalueerd op synthetische en real-world datasets met arbeidskosten en wachttijd als de primaire doelstellingen.

Interne Validiteit (Synthetische Data)

Experimenten werden uitgevoerd op vijf varianten van een leningaanvraagproces met variërende configuraties (bijv. resource-contention, verschil in vaardigheden, aankomstfrequenties).

• Prestaties: De voorgestelde aanpak presteerde consistent beter dan de "as-is" baseline en heuristische baselines (Available, Random, Cheapest, Shortest Processing Time).
• Metrieken: In alle scenario's verminderde de aanpak de kosten met gemiddeld 37% en de wachttijd met 58% vergeleken met het as-is proces.
• Gedragsanalyse: In het LoanJS-scenario leerde het geoptimaliseerde beleid de inzet van dure, snelle resources te balanceren met goedkopere, tragere resources. In tegenstelling hiertoe leidde de "Cheapest" (LC) heuristiek tot ernstige wachtrijvorming door uitsluitend trage, goedkope resources te gebruiken, terwijl het geoptimaliseerde beleid een globaal superieur resultaat bereikte door complementaire samenwerkingspatronen.

Externe Validiteit (Real-World Logs)

De aanpak werd getest op zeven breed gebruikte event logs uit business process simulatieonderzoek (bijv. P2P, ACR, BPI12W, BPI17W).

• Robuustheid: De aanpak verbeterde zowel de kosten als de wachttijd vergeleken met de as-is baseline in alle zeven datasets.
• Afwegingen: Hoewel de aanpak niet altijd de absoluut laagste kosten bereikte (hij rangschikte boven de LC baseline in vier datasets), bood het consequent superieure wachttijden en een diverse set van Pareto-optimale oplossingen.
• Mutatievarianten: De Guided mutatievariant bereikte de grootste gemiddelde verbetering (36,88% kostenreductie, 57,71% wachttijdreductie) over de datasets heen.
• Computationele Kosten: De optimalisatie is rekenintensief en duurt ongeveer 35 keer langer dan heuristische baselines (gemiddeld 103,85 minuten versus 2,96 minuten), hoewel de runtime vergelijkbaar schaalt met de baselines naarmate de dataset groter wordt.

Betekenis en Claims

Het artikel beweert dat door de focus van de optimalisatie te verschuiven van globale taaktoewijzing naar resource-specifieke overdrachtsbeleidsregels, organisaties de samenwerkingspatronen kunnen benutten om de prestaties van processen aanzienlijk te verbeteren. De auteurs benadrukken dat hun aanpak:

1. Inter-resource afhankelijkheden vastlegt: Het modelleert expliciet de autonomie van de besluitvorming van resources, een factor die vaak wordt genegeerd in standaard RL of scheduling benaderingen.
2. Actiegerichte alternatieven biedt: Door een Pareto-front te genereren, biedt het besluitvormers een transparant pakket aan afwegingen in plaats van één enkele "optimale" oplossing, waardoor zij beleidsregels kunnen selecteren die aansluiten bij specifieke operationele doelen (bijv. prioriteit geven aan snelheid boven kosten).
3. Substantiële winsten aantoont: De experimentele resultaten laten zien dat samenwerkingsbewuste optimalisatie aanzienlijke reducties in zowel kosten als wachttijd kan opleveren, waarbij het gevestigde heuristieken overtreft die optimaliseren voor een enkele doelstelling of langetermijngevolgen negeren.

De auteurs erkennen beperkingen, waaronder de afhankelijkheid van de simulatiegetrouwheid (fidelity), het risico op overfitting aan de simulator, en de computationele overhead van de evolutionaire zoektocht. Zij suggereren dat toekomstig werk zich kan richten op robuustheidsanalyse, het verminderen van computationele kosten en het uitbreiden van de beleidsruimte om dynamische parallellisatie te omvatten.