دانلود ترجمه مقاله دیدگاهی با ارزش بازه ای جهت شبیه سازی رویه های تجاری

نتیجه گیری و تحقیقات آینده:
در این مقاله ، رویکرد جدیدی از شبیه سازی فرآیندهای تجاری ارائه شده است. این رویکرد به نمایندگی از پارامترهای فرآیند تجارت از نظر فواصل استوار است تا بتواند به طور مؤثر فرآیندهای انسانی محور را توصیف کند. یک ابزار شبیه سازی با ارزش فاصله در پنج سناریو طراحی، توسعه و آزمایش می شود. با توجه به فواصل ورودی، سیستم از یک موتور شبیه سازی عددی، براساس استاندارد BPMN و یک الگوریتم ژنتیک برای محاسبه فاصله خروجی (KPI) استفاده می کند. استفاده از BPMN امکان استفاده از این ابزار، توسط دارندگان فرآیند را فراهم می کند که این یک شرط مهم در مطالعات شبیه سازی BP است. با این حال، مهمترین نقطه قدرت، امکان مقابله با پارامترهای دارای ارزش بازه ای است که توسط پسوند ارائه شده است. در واقع رویکرد پیشنهادی، ضعف اساسی در ابزارهای موجود را که با نمایندگی های چندارزشی سروکار دارند، حل می کند که به یک مجموعه داده نیاز دارند. علاوه بر این، داده های دارای ارزش فاصله ای، قطعی هستند و از این رو برای تصمیم گیری مناسب تر هستند. نتایج تجربی نشان داده است که GA پذیرفته شده، یک انتخاب مناسب بوده است زیرا رویکرد ما امکان تجزیه و تحلیل کارآمد از خواص جالب فرآیندهای مشاهده شده را فراهم آورده است: (1) بدترین / بهترین موارد در یک منطقه محدود (2) مقادیر پارامتر مربوط به موارد مورد علاقه (3) اهمیت برخی از مقادیر پارامتر، با توجه به موارد مورد علاقه و (5) تجزیه و تحلیل در سطوح مختلف جزئیات. سایر راهکارهای مبتنی بر ژنتیک ممکن است در ارائه نوع مشکل بهینه سازی برطرف شده در این کار، با ارائه انواع مختلفی از راه حل ها، مؤثر باشد. بنابراین به عنوان تحقیقات آینده، ما قصد داریم تا استفاده از روش های مختلف بهینه سازی مبتنی بر ژنتیک را بررسی کنیم تا بتوانیم یک مقایسه داشته باشیم. عملکرد زمان شبیه سازی شبیه ساز IBimp می تواند یک محدودیت، با توجه به عملکرد شبیه سازی زمان شبیه ساز سریع رعد و برق Bimp باشد زیرا GA ها با پیچیدگی، مقیاس خوبی ندارند. در کارهای بعدی، این محدودیت، با کاوش در متا اوریستونیستی، مانند بازپخت شبیه سازی شده که باعث می شود یک مراوده خوب بین دقت و عملکرد کاهش یابد، برداشته شد. سرانجام برای انجام ارزیابی عملکرد، از ابزار شبیه سازی ما بر روی KPI های دیگر (مانند کل هزینه) و همچنین بر روی چندین KPI (یعنی بهینه سازی چند هدفه)، یک فعالیت تحقیقاتی کلیدی برای کارهای بعدی در نظر گرفته شده است.

Conclusions and Future Works:
In this paper, a novel approach of business process simulation is presented. The approach is based on the representation of business process parameters in terms of intervals, to efficiently characterize human-driven processes. An interval-valued simulation tool is designed, developed and tested on five scenarios. Given input intervals, the system employs a numerical simulation engine, based on the BPMN standard, and a genetic algorithm to compute the output interval (KPI). The use of BPMN allows the tool to be used by process owners, which is an important condition in BP simulation studies. However, the most important strength point is the possibility of dealing with interval-valued parameters offered by our extension. Indeed, the proposed approach solves a fundamental weakness of existing tools dealing with multi-valued representations, which require an expensive data collection. Moreover, interval-valued data are deterministic and then more suitable for decision-making. Experimental results have shown that the adopted GA has been an adequate choice, since our approach allowed an efficient analysis of interesting the properties of the observed processes: (i) the worst/best cases within a constrained area; (ii) the parameter values corresponding to the cases of interest; (iii) the importance of some parameter values with respect to the cases of interest; and (iv) the analysis at different levels of detail. Other genetic-based strategies may be effective in solving the type of optimization problem tackled in this work, providing different kinds of solutions. Thus, as future research, we plan to investigate the use of different genetic-based optimization methods, so as to make a comparative analysis. The simulation time performance of the IBimp simulator can be a limitation with respect to the simulation time performance of the lightning fast Bimp simulator, because GAs do not scale well with complexity. In future work, this limitation could be lifted by exploring meta-heuristics, such as simulated annealing, which strike a good trade-off between accuracy and performance. Finally, to conduct performance evaluations of our simulation tool on other KPIs (such as the total cost), as well as on multiple KPIs (i.e., multi-objective optimization) is considered a key investigation activity for future work.