Improved multi-objective optimization in business process management using R-NSGA-II

Abstract

EN: Context. Business process management is a critical component in contemporary organizations for maintaining efficiency and achieving operational objectives. Optimization of these processes in terms of time and cost can lead to significant improvements in overall business performance. However, traditional optimization techniques often face challenges in handling multi-objective problems with a known time-cost trade-off, necessitating more effective solutions. The integration of a business process model and notation for a stochastic process simulation provides a robust foundation for analyzing these business processes and complies with state-of-the-art business process management. In prior studies, we applied several heuristic algorithms, including the evolutionary NSGA-II, to find a Pareto-optimal set of solutions. We defined a solution as a pair of cost and time associated with a specific resource allocation. For one of the selected processes, the performance of NSGA-II was subpar compared to other techniques. Objective. The goal of this study is to improve upon the NSGA-II’s performance and, in turn, enhance the efficiency of multi-objective business process optimization. Specifically, we aim to incorporate reference points into NSGA-II. Our goal is to identify an optimized set of solutions that represent a trade-off between process execution time and the associated cost. We expect this set to have a higher spread and other quality metrics, compared to the prior outputs. Method. To accomplish our objective, we adopted a two-step approach. Firstly, we modified the original genetic algorithm by selecting and integrating the reference points that served to guide the search towards the Pareto-optimal front. This integration was designed to enhance the exploration and exploitation capabilities of the algorithm. Secondly, we employed the improved algorithm, namely R-NSGA-II, in the stochastic simulations of the business processes. The BPMN provided the input for these simulations, wherein we altered the resource allocation to observe the impact on process time and cost. Results. Our experimental results demonstrated that the R-NSGA-II significantly outperformed the original NSGA-II algorithm for the given process model, derived from the event log. The modified algorithm was able to identify a wider and more diverse Pareto-optimal front, thus providing a more comprehensive set of optimal solutions concerning cost and time. Conclusions. The study confirmed and underscored the potential of integrating the reference points into NSGA-II for optimizing business processes. The improved performance of R-NSGA-II, evident from the better Pareto-optimal front it identified, highlights its efficacy in multi-objective optimization problems, as well as the simplicity of the reference-based approaches in the scope of BPM. Our research poses the direction for the further exploration of the heuristics to improve the outcomes of the optimization techniques or their execution performance. UK: Актуальність. Управління бізнес-процесами є критично важливим компонентом у сучасних організаціях для підтримки ефективності та досягнення операційних цілей. Оптимізація цих процесів з точки зору часу та витрат може призвести до значного покращення загальної ефективності бізнесу. Однак традиційні методи оптимізації часто стикаються з труднощами при вирішенні багатоцільової проблеми з відомим компромісом часу та вартості, що вимагає більш ефективних рішень. Використання моделі та нотації бізнес-процесів (BPMN) для стохастичного моделювання процесу забезпечує надійну основу для аналізу цих бізнес-процесів і відповідає найсучаснішому управлінню бізнес-процесами. У попередніх дослідженнях ми застосували кілька евристичних алгоритмів, включаючи еволюційний NSGA-II, щоб знайти оптимальний за Парето набір рішень. Ми визначили рішення як пару витрат і часу, пов’язаних із певним розподілом ресурсів. Для одного з вибраних процесів продуктивність NSGA-II була нижчою порівняно з іншими методами. Мета роботи – покращення продуктивності NSGA-II і, у свою чергу, підвищення ефективності багатоцільової оптимізації бізнес-процесів. Зокрема, ми прагнемо включити контрольні точки в NSGA-II. Наша мета полягає в тому, щоб визначити оптимізований набір рішень, що представляє компроміс між часом виконання процесу та пов’язаними витратами. Ми очікуємо, що цей набір матиме вищий розкид та інші показники якості порівняно з попередніми результатами. Метод. Щоб досягти нашої мети, ми застосували двоетапний підхід. По-перше, ми модифікували оригінальний генетичний алгоритм, вибравши та інтегрувавши опорні точки, які слугували для спрямування пошуку до оптимального за Парето фронту. Ця інтеграція була розроблена для покращення можливостей алгоритму для дослідження та використання. По-друге, ми застосували покращений алгоритм, а саме R-NSGA-II, для стохастичного моделювання бізнес-процесів. BPMN надав вхідні дані для цього моделювання, у якому ми змінили розподіл ресурсів, щоб спостерігати вплив на час і вартість процесу. Результати. Наші експериментальні результати продемонстрували, що R-NSGA-II значно перевершив вихідний алгоритм NSGA-II для даної моделі процесу, отриманої з журналу подій. Модифікований алгоритм зміг ідентифікувати ширшу і більш різноманітну оптимальну за критерієм Парето криву, таким чином забезпечивши більш повний набір оптимальних рішень щодо вартості та часу. Висновки. Дослідження підтвердило та підкреслило потенціал інтеграції опорних точок у NSGA-II для оптимізації бізнес-процесів. Покращена продуктивність R-NSGA-II, очевидна з кращою Парето-оптимальної кривої, яку алгоритм ідентифікував, підкреслює його ефективність у задачах багатоцільової оптимізації, а також простоту еталонних підходів у сфері BPM. Наше дослідження визначає напрямок для подальшого вивчення евристик для покращення результатів методів оптимізації або продуктивності їх виконання.