Spis treści i streszczenie

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 modelowania procesów poddawanych optymalizacji, metodyczne podstawy procedur
optymalizacji procesów, kryteria optymalizacji oraz zakres zmian optymalizacyjnych. Na podstawie wyników analizy przeprowadzonej we wspomnianych
obszarach zdefiniowano zestaw cech, jakimi powinna charakteryzować się metoda optymalizacji procesów, co stanowi jednocześnie określenie luki badawczej, 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 modyfikujące 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 modelowanie 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 symulacja funkcjonowania procesu, która zarówno pozwala na odzwierciedlenie przebiegu procesu przy uwzględnieniu wszystkich zdefiniowanych zmian, jak również pozwala uwzględnić wiele specyficznych parametrów konfiguracyjnych
procesu. Zastosowanie symulacji pozwala również odzwierciedlić zjawiska stochastyczne związane z czynnościami w procesie, a także zjawiska o charakterze
dynamicznym, wynikające zarówno ze specyfiki czynności i zastosowanych zasobów, jak również z logiki i architektury procesu. Wygenerowany zbiór wyników symulacji – rozwiązań dopuszczalnych, jest następnie na etapie 5 poddawany 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 stanowią uogólnienie związków zachodzących pomiędzy parametrami funkcjonalnymi procesu a jego uogólnionymi miarami (wartości kryteriów definiowane są
na etapie 3). Ocena spójności wyników symulacji bazuje na teorii zbiorów przybliżonych wykorzystującej relację dominacji, natomiast generowanie reguł
decyzyjnych opiera się na mechanizmach wnioskowania. Po przeglądzie i wyborze 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 zweryfikowana eksperymentalnie na przykładzie procesu transportowego związanego
z realizacją harmonogramowanych dostaw części i podzespołów z magazynu
operatora do zakładu produkcji pojazdów. Na etapie 1 szczegółowo zidentyfikowano proces, w ramach którego wyodrębniono 19 czynności, 3 rodzaje jednostek organizacyjnych uczestniczących w jego realizacji oraz 3 rodzaje zasobów technicznych (środki transportu bliskiego i dalekiego oraz rampy zai rozładunkowe). Model procesu został przygotowany w notacji EPC w narzędziu ARIS Business Architect. Na etapie 2 z wykorzystaniem stochastycznego
wielokryterialnego programowania matematycznego zbudowano model matematyczny 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 drogowych. Na etapie 3 dokonano wyboru zmian w procesie, które dotyczyły: definicji czynności, powiązania z innymi procesami oraz rodzaju i sposobu przydziału 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 wyodrębniając 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 przybliżonych w oparciu o relację dominacji, została przeprowadzona ocena spójności
wiedzy o procesie, wyrażonej w postaci rozwiązań niezdominowanych. W oparciu 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 interaktywnego dialogu z decydentem, natomiast w siódmej iteracji uzyskano ostateczne rozwiązanie problemu – optymalną (kompromisową) konstrukcję procesu transportowego.
Uzyskane wyniki dowodzą możliwości wygenerowania satysfakcjonującego
rezultatu wielokryterialnej optymalizacji oraz pozwalają na uwzględnienie zarówno 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.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
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.
Aghdasi M., Malihi S.E., Rule based business process optimization. IEEE International Conference on
Industrial Engineering and Engineering Management, IEEM 2010, s. 305–309.
Aguilar-Savén R.S., Business process modelling: Review and framework. International Journal of Production Economics, 2004, vol. 90, s. 129–149.
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.
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).
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.).
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.
Arlbjørn J.S., Haug A., Business process optimization. Aarhus, Academica, 2010.
Azibi R., Vanderpooten D., Construction of rule-based assignment models. European Journal of Operational Research, 2002, vol. 138, no. 3, s. 274–293.
Bartz-Beielstein T., Mehnen J., Naujoks B., Schmitt K., Zibold D., KEA - a software package for development, 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).
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.
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.
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.
Bitkowska A., Zarządzanie procesami biznesowymi w przedsiębiorstwie. VIZJA Press & IT, Warszawa
2009.
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. Intelligent Systems Reference Library, 2013, vol. 42, s. 185–209.
Brown E. M., Boolean reasoning. Kluwer Academic Publishers, Dordrecht 1990.
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.
178
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
Piotr Sawicki Wielokryterialna optymalizacja procesów w transporcie
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).
Čančer V., From simulation with business process optimisation model to eco-efficiency. 22nd International Conference on Information Technology Interfaces – ITI 2000, June 13–16, Pula, 2000, s. 351–
356.
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.
Chrissis M. B., Konrad M., Shrum S., CMMI - Guidelines for process integration and product improvement. Addison-Wesley Professional, 2003.
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.
Cyfert S., Granice organizacji. Wydawnictwo Uniwersytetu Ekonomicznego, Poznań 2012.
Cyfert S., Strategiczne doskonalenie architektury procesów w zarządzaniu przedsiębiorstwem. Rozprawa habilitacyjna, vol. 28, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań 2006.
Davenport T. H., Process innovation: Reengineering work through information technology. Harvard
Business School Press, Boston 1993.
Davenport T. H., Short, J. E., The new industrial engineering: Information technology and business
process redesign. Sloan Management Review, Summer, 1990, s. 11–27.
Davis R., Brabänder E., ARIS designed platform. Getting started with BPM. Springer-Verlag, London
2007.
Deb K., Multi-objective optimisation using evolutionary algorithms. John Wiley & Sons, New York 2001.
Dewan R., Seidmann A., Walter W., Workflow optimization through task redesign in business information processes. Proceedings of the 31st Hawaii International Conference on System Sciences, 1998,
vol. 1, s. 240–252.
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.
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.
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.
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.
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.
Fan Y.S., Fundamental of workflow management technology. Springer-Verlag, New York 2001.
Fowler M.S., UML distilled: A brief guide to the standard object modeling language. Addison-Wesley,
2000.
Gabryelczyk R., ARIS w modelowaniu procesów biznesu. Difin, Warszawa 2006.
Greco S., Matarazzo B., Słowiński R., A new rough set approach to multicriteria and multiattribute classification. Lecture Notes in Artificial Intelligence, 1998, vol. 1424, s. 60–67.
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
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
179
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.
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.
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.
Gunasekaran A., Kobu B., Modelling and analysis of business process reengineering. International
Journal of Production Research, 2002, vol. 40, no. 11, s. 2521–2546.
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.
Hammer M., Champy J., Reengineering the corporation: A manifesto for business revolution. Brealey,
London 1993.
Harmon P., Business process change. A guide for business managers and BPM and Six Sigma professionals. Morgan Kaufmann, San Francisco 2007.
Hofacker I., Vetschera R., Algorithmical approaches to business process design. Computers & Operations Research, 2001, vol. 28, s. 1253–1275.
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.
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.
Hwang Ch.-L., Masud A.S.M., Multiple objective decision making, methods and applications: a stateof-the-art survey. Springer-Verlag, 1979.
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.
Jacobson I., The object advantage. Addison-Wesley, 1995.
Jacyna M, Modelowanie wielokryterialne w zastosowaniu do oceny systemów transportowych. Prace
Naukowe Politechniki Warszawskiej, Transport, Warszawa 2001.
Jacyna M., Modelowanie i ocena systemów transportowych. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2009.
Jacyna M., Wybrane zagadnienia modelowania systemów transportowych. Warszawa, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2009.
Johansson H. J., Business process reengineering: breakpoint strategies for market dominance. John
Wiley & Sons, Chichester 1993.
Kalpic B., Bernus P., Business process modelling in industry - the powerful tool in enterprise management. Computers in Industry, 2002, vol. 47, no. 38, s. 299–231.
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.
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.
Kennedy J., Eberhart R. C., Shi Y., Swarm intelligence. Morgan Kaufmann Publishers, San Francisco 2001.
180
61.
62.
63.
64.
65.
66.
67.
68.
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
79.
80.
81.
82.
83.
84.
Piotr Sawicki Wielokryterialna optymalizacja procesów w transporcie
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.
Kleinrock L., Queuing systems. Wiley, New York, 1976.
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.
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.
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.
Krawczyk S., Logistyka teoria i praktyka. Tom 2, Warszawa, Wyd. Difin, 2011.
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.
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.
Law A. M., Kelton W. D., Simulation, modelling and analysis. McGraw & Hill, New York 2000.
Lawrence P., Workflow handbook. John Wiley & Sons, Chichester 1997.
Leszczyński J., Modelowanie systemów i procesów transportowych. Oficyna Wydawnicza Politechniki
Warszawskiej, Warszawa 1994.
Leymann F., Roller D., Production workflow: Concept and techniques. Prentice Hall, 2000.
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.
McCarthy D., Rich N., Lean TPM. A Blueprint for Change. Elsevier, 2004.
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.
Mendling J., Metrics for process models. Lecture Notes in Business Information Processing, 2008, vol.
6, s. 1–15.
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.
Meško I., Meško T., Multiphase business process optimization. Belgian Journal of Operational Research, Statistics and Computer Science, 1994, vol. 34, no. 4, s. 63–71.
Miettinen K., Mustojoki J., Stewart T. J., Interactive multiobjective optimization with NIMBUS for decision making under uncertainty. OR Spectrum, June 2013, 10.1007/ s00291-013-0328-5.
Miettinen K., Nonlinear multiobjective optimization. Springer, 1999.
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.
Mitzberg H., The structure of organizations. Prentice-Hall, New York 1979.
Muehlen M.Z., Workflow-based process controlling. Foundation, design, and implementation of workflow-driven process information systems. Advances in Information Systems and Management Science,
2004, vol. 6.
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
85.
86.
87.
88.
89.
90.
91.
92.
93.
94.
95.
96.
97.
98.
99.
100.
101.
102.
103.
104.
105.
181
Niedermann F., Radeschütz S., Mitschang B., Business process optimization using formalised optimisation patterns. W: W. Abramowicz (ed.), Lecture Notes in Business Information Processing, 2011, vol.
87, s. 123–135.
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.
Nowosielski S., Procesy i projekty logistyczne. Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław
2008.
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).
Pall G.A., Quality Process Management. Prentice-Hall, New York 1987.
Pawlak Z., Rough sets: Theoretical aspects of reasoning about data. Kluwer, Dordrecht 1991.
Petri A.C., Communication with Automata. Rozprawa doktorska, 1966.
Polkowski L., Skowron A., Rough sets in knowledge discovery. Vol. 1, Methodology and applications.
Heidelberg, Physica-Verlag, 1998.
Polkowski L., Skowron A., Rough sets in knowledge discovery. Vol. 2, Applications, case studies and
software systems. Heidelberg, Physica-Verlag, 1998.
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.
Porter M.E., Competitive advantage. New York, Free Press, 1985.
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.
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.
Redmer A., Sawicki P., Żak J., Multiobjective optimisation of the fleet replacement policy in a transportation company. Conference Proceedings: Improving Knowledge and Tools for Transportation and
Logistics Development, Rome, Italy, September 11–14, 2000, s. 132–136.
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).
Redmer A., Sawicki P., Żak J., Ustalanie optymalnego harmonogramu wymiany pojazdów w przedsiębiorstwach transportowych. Materiały konferencyjne IX Kongresu Eksploatacji Urządzeń Technicznych, Krynica, 23-25 września, 2001, vol. 2, s.191–202.
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.
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.
Reijers H. A., Liman Mansar S., Best practices in business process redesign: An overview and qualitative evaluation of sucessful redesign heuristics. Omega, 2005, vol. 33, s. 283–306.
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.
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.
182
Piotr Sawicki Wielokryterialna optymalizacja procesów w transporcie
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 pasażerów. 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 organizational 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 International 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 przybliżonych. 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 Logistyki 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. Jaszkiewicz, 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 transportation 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 przewoźników 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/corporate/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 re- engineering.
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. Proceedings 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).
184
Piotr Sawicki Wielokryterialna optymalizacja procesów w transporcie
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 process. 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 framework. 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. realworld 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 Processing, 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 przedsiębiorstwie 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 zastosowaniu 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 applications to industrial problems, International Center for Numerical Methods in Engineering, Athens,
Greece, 2001, s. 95–100.
Summary
Multiobjective process optimisation in transportation
This dissertation deals with the problem of processes’ optimization in transportation. 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 processes’ modelling languages within optimization procedures, the methodological 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 solution 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 dominance 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 process, 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 transportation 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.