Имитационное моделирование бизнес-процессов склада с применением агентного подхода
Автор: Ланцев Е.А., Доррер М.Г.
Журнал: Вестник Красноярского государственного аграрного университета @vestnik-kgau
Рубрика: Экономика, математика и информатика
Статья в выпуске: 5, 2013 года.
Бесплатный доступ
Предложен и разработан теоретико-множественный аппарат описания моделей логистических бизнес-процессов предприятия в методологии ARIS eEPC и агентных имитационных моделей AnyLogic. Представлен алгоритм трансляции модели в нотации eEPC в агентную имитационую модель AnyLogic и поставлен эксперимент по трансляции модели в нотации eEPC в агентную имитационную модель AnyLogic.
Агентное моделирование, имитационное моделирование
Короткий адрес: https://sciup.org/14083050
IDR: 14083050
Текст научной статьи Имитационное моделирование бизнес-процессов склада с применением агентного подхода
Исследование и прогнозирование поведения логистических систем на практике осуществляется посредством экономико-математического моделирования, т.е. описания логистических процессов в виде моделей [1].
В современной практике организационного управления широкое распространение получили графические модели бизнес-процессов. Этот класс методов организационной науки изначально был предназначен для решения проблем избыточной сложности описания и исследования систем. Однако исследование графической модели, даже выполненной в соответствии с правилами структурного подхода (ограниченный контекст, ограничение числа элементов на каждом уровне декомпозиции и т.п.), представляет значительную сложность. Данная проблема осознана, попытки ее решения предпринимаются разработчиками структурных методологий и соответствующих программных средств (следует упомянуть средства семантического и синтаксического анализа моделей в ARIS ToolSet, [2]). Вместе с тем существует давно известный и обладающий мощными аналитическими возможностями при исследовании дискретных систем аппарат имитационного моделирования бизнес-систем, описанных графическими моделями.
Имитационное моделирование является мощным инструментом исследования поведения реальных систем. Само по себе имитационное моделирование не решает оптимизационных задач, а скорее представляет собой технику оценки значений функциональных характеристик моделируемой системы, позволяя выявлять проблемные места в системе [3]. Имитационные модели широко применяются для прогнозирования поведения логистических систем, при проектировании и размещении предприятий, оптимизации существующих процессов, для обучения и тренировки персонала и т. д.
В настоящее время для моделирования и анализа бизнес-процессов используются различные подходы и средства. В первую очередь следует отметить методологии описания бизнес-процессов IDEF, ARIS, BPMN. При этом в этих программных продуктах зачастую присутствуют модули, обеспечивающие проведение имитационного эксперимента на построенных событийных моделях, – следует упомянуть об интеграции BPWin и Arena, ARIS Simulation. Отметим также, что для анализа бизнес-процессов могут применяться непосредственно программные продукты для имитационного моделирования – AnyLogic, GPSS и др.
Существующие разработки в области трансляции между формальным описанием бизнес-процессов и его имитационной моделью в основном нацелены на получение в конечном итоге дискретно-событийной имитационной модели. Агентные имитационные модели в этой области менее распространены, поскольку агентное моделирование как парадигма появилось относительно недавно, но стоит отметить, что в последнее время к агентному моделированию интерес увеличивается.
Цель данной статьи – предложить единый подход к получению агентной модели AnyLogic, моделирующей микроэкономическую систему (предприятие) на основе применяемых для бизнес-моделирования графических методологий.
Бизнес-процесс – связанная совокупность подпроцессов и/или бизнес-операций, и/или бизнес-функций, в ходе выполнения которой потребляются определенные ресурсы и создается продукт (вещественный или нематериальный результат человеческого труда: предмет, услуга, научное открытие, идея), представляющий ценность для потребителя [4].
Нотация ARIS eEPC расшифровывается как extended Event Driven Process Chain – расширенная нотация описания цепочки процесса [5], управляемого событиями, и предназначена для детального описания бизнес-процесса, отражает логику его выполнения. Бизнес-процесс в нотации eEPC представляет собой поток последовательно выполняемых работ, расположенных в порядке их выполнения.
Модель в нотации eEPC (extended Event Driven Process сhain) определим как [6]
G = {X, V}, где X – непустое множество объектов модели (вершин графа);
V – непустое множество дуг V n и ребер V r , таких, что V = V n ∪ V r .
Объекты модели (вершины графа):
X = {S, F, D, I, P, R}, где S – множество объектов типа «событие»;
F – множество объектов типа «функция»;
D – множество объектов типа «документ» и «информационный носитель»;
I – множество объектов типа «должность», «организационная единица»;
P – множество объектов типа «продукт/услуга»;
R – множество объектов типа «правило» XOR, OR, AND, задающих логику ветвления/слияния бизнес-процесса.
Агентная модель в AnyLogic реализовывается с помощью базового объекта – активного объекта. Активный объект имеет параметры, переменные, которые можно считать памятью агента, стейтчарты выражают поведение: состояния объекта и изменение состояний под воздействием событий и условий.
Определим агентную модель AnyLogic как
ABM = {E, A}, где E – множество объектов составляющих окружение агента;
A – множество агентов (активных объектов).
Множество объектов E, составляющих окружение агента, определим как
E = {Tm, Var, Ds}, где Tm – множество таймеров;
Var – множество переменных;
Ds – множество таблиц для сохранения статистических данных о работе модели и синхронизации.
Множество агентов A определим как
A = {Sch, Par, Var, Fn}, где Sch – непустое множество стейтчартов;
Par – множество параметров агента;
Fn – множество функций агента.
Множество стейтчартов Sch определим как
Sch = {Bc, St, Trn}, где Bc – непустое множество указателей начального состояния;
St – непустое множество состояний;
Trn – множество переходов.
Перевод графических элементов модели в нотации eEPC в агентную имитационную модель AnyLogic производится согласно таблице 1.
Таблица 1
Описание соответствия объектов модели нотации eEPC и элементов агентной имитационной модели на языке AnyLogic
Объект модели eEPC |
Графическое обозначение |
Соответствующий элемент AnyLogic |
Описание элемента AnyLogic |
1 |
2 |
3 |
4 |
Функция (Function) F є X є G |
Function |
Состояние (State) St є Sch є А є ABM states ' |
Простое состояние стейтчарта |
Начальное событие (Event) S s є S є X є G |
Event^^ |
Таймер (Timer) Tm є E є ABM (^timerl |
Наступление начальных событий определяется таймером по заданному расписанию |
Событие (Event) S m ,S f є S є X є G |
Переход (Transition) Trn є Sch є А є ABM 1—*1 |
Переход из гиперсостояния стейтчарта в простое состояние |
|
Количественные ресурсы |
|||
Документ, Информационный носитель (Document) D є X є G |
Document |
Переменная (Variable) Var є Е є ABM Qvariable |
Переменные, используются для моделирования изменяющихся характеристик и для хранения результатов моделирования. Изменение количественных ресурсов происходит в состоянии стей-тчарта |
Продукт/ Услуга (Product/ Service) P є X є G |
Product/Service |
||
Ресурсы мощности |
|||
Должность (Position) I pos є I є X є G |
Position |
Класс активного объекта (Active Object) A є ABM • agents • • - |
Поведение активного объекта описывается с помощью стейтчарта |
Организационная единица (Organizational unit) I org є I є X є G |
Organizational unit |
||
Правила ветвления |
|||
Правило ИЛИ (OR rule) R or є R є X є G |
Переход (Transition) Trn є Sch є А є ABM 1—H |
При переходе из простого состояния стейтчарта в гиперсостояние, в методе перехода «Action» на языке Java программируется логика перехода к следующему состоянию: вычисляются вероятности наступления событий, происходит генерация за- |
|
Правило исключающего ИЛИ (XOR rule) R xor є R є X є G |
• |
Правило И (AND rule) R and є R є X є G |
явки для ее передачи агентам на обработку |
В качестве примера перевода рассмотрим модель бизнес-процесса «Размещение товара на складе», описанного в нотации eEPC (рис. 1).

Рис. 1. Размещение товара на складе
Определим численные характеристики объектов модели eEPC, необходимые для имитационного моделирования (табл. 2–4).
Таблица 2
Численные характеристики функций для имитационной модели
Функция |
Время выполнения, мин |
Использование ресурсов, количество единиц |
Определение адреса хранения по факту |
5 |
Товаровед-оператор – 1 |
Формирование задания на перемещение |
1 |
Кладовщик – 1 |
Передача задания грузчику |
5 |
Кладовщик – 1 |
Перемещение товара на места хранения |
15 |
Грузчик – 1 |
Информирование о занятом месте хранения |
1 |
Грузчик – 1 |
Выявление причины занятости складского места |
5 |
Грузчик – 1 |
Переопределение адреса хранения по факту |
2 |
Товаровед-оператор – 1 |
Размещение товара на местах хранения |
20 |
Грузчик – 1 |
Таблица 3
Количество единиц ресурсов мощности для имитационной модели
Ресурс |
Количество единиц ресурсов |
Кладовщик |
2 |
Грузчик |
10 |
Товаровед-оператор |
3 |
Таблица 4
Вероятности наступления событий в правиле ветвления XOR
Событие |
Вероятность наступления |
Необходимое складское место свободно |
0,90 |
Необходимое место занято другим товаром |
0,10 |
Созданная агентная имитационная модель AnyLogic на основе модели eEPC представлена на рисунках 2, 3. Для верификации полученной агентной имитационной модели AnyLogic сравним ее выходные данные с выходными данными имитационной модели встроенного в ARIS ToolSet имитатора ARIS Simulation.

Рис. 2. Активные объекты и их окружение в агентной имитационной модели AnyLogic

Рис. 3. Пример стейтчарта для программирования поведения агента
Сравним выходные данные по использованию ресурсов мощности после имитации в системах AnyLogic и ARIS Simulation за одинаковый модельный промежуток времени (8 модельных часов) и с одинаковыми входными данными после одинакового количества экспериментов – всего проводилось 10 экспериментальных прогонов моделей в каждой из систем AnyLogic и ARIS Simulation (табл. 5–7).
Таблица 5
Статистика по использованию ресурсов мощности полученная с помощью AnyLogic для агентной имитационной модели, %
Ресурс |
Номер эксперимента |
Среднее |
|||||||||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
||
Товаровед-оператор |
100 |
99 |
100 |
99 |
100 |
99 |
100 |
99 |
100 |
99 |
99,50 |
Кладовщик |
99 |
98 |
99 |
99 |
98 |
99 |
99 |
99 |
99 |
98 |
98,70 |
Грузчик |
91 |
93 |
88 |
92 |
91 |
90 |
87 |
92 |
91 |
93 |
90,80 |
Таблица 6
Статистика по использованию ресурсов мощности полученная с помощью ARIS Simulation, %
Ресурс |
Номер эксперимента |
Среднее |
|||||||||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
||
Товаровед-оператор |
99 |
99 |
98 |
99 |
99 |
99 |
99 |
99 |
98 |
99 |
98,80 |
Кладовщик |
99 |
98 |
99 |
98 |
98 |
99 |
98 |
98 |
99 |
98 |
98,40 |
Грузчик |
92 |
91 |
93 |
93 |
92 |
93 |
93 |
91 |
93 |
92 |
92,30 |
Таблица 7
Ресурс |
ARIS Simulation |
AnyLogic |
Кладовщик |
98,80 |
99,50 |
Грузчик |
98,40 |
98,70 |
Товаровед-оператор |
92,30 |
90,80 |
Сводные усредненные данные по использованию ресурсов мощности, %
Таким образом, сравнивая сводные данные по использованию ресурсов мощности (см. табл. 7), полученные для одной и той же преобразованной модели eEPC, делаем вывод, что имитационная модель ARIS Simulation и модель AnyLogic, полученная посредством перевода по предложенному алгоритму, показывают близкие результаты.
Следовательно, разработанная в соответствии с предложенной методикой имитационная модель обладает прогностической способностью, не уступающей традиционным имитационным моделям.