ARTÍCULO ORIGINAL

Herramienta para optimizar el proceso de producción de la langosta entera precocinada

MSc. Yaimi Barcenas Mompeller^{I  *} 

MSc. Adanay Núñez González^I 

Dr.C. Alexander Sánchez Díaz^II 

Dr.C. Yusney Marrero García^I 

^IUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, Departamento de Ingeniería Informática, San José de las Lajas, Mayabeque, Cuba.

^IIUnión de Informáticos de Cuba, San José de las Lajas, Mayabeque, Cuba

RESUMEN

En el mundo empresarial competitivo de hoy, las organizaciones y empresas necesitan manipular sus procesos de negocio. La verdadera clave para tener éxito en estas organizaciones radica en el diseño, la gestión adecuada de sus procesos de negocio y la alineación Tecnologías de Información (TI) con los objetivos de la organización. La investigación realizada tiene como objetivo desarrollar una herramienta informática que permita optimizar el proceso de la Producción de la Langosta Entera Precocinada perteneciente a la empresa de Batabanó de la provincia de Mayabeque. Para alcanzar dicho objetivo se emplean los algoritmos de optimización multiobejtivos NSGAII y SPEA2 mediante el framework JMetal. Para la modelación del proceso en la notación BPMN se utiliza la herramienta Bonita Studio y Yasper para la conversión del proceso en una red de Petri, exportándolo así en un archivo PNML, el cual es utilizado por la herramienta para efectuar la optimización del mismo. Como resultado se obtiene una aplicación informática que le permite a los analistas del negocio de la empresa, la obtención de posibles mejoras del proceso en cuanto a los criterios de costo y completitud facilitándoles así lograr un mejor desempeño del mismo en la empresa.

Palabras clave: procesos de negocio; optimización multiobjetivo; red de Petri

INTRODUCCIÓN

En el mundo moderno competitivo de los negocios son muchas las empresas que necesitan modificar los diseños de sus procesos de negocio, para volverse más competitivas en el mercado empresarial. Estas enfocan su principal atención en la optimización y la mejora continua de sus procesos.

La Gestión de Procesos de Negocio (BPM: Business Process Management, por sus siglas en inglés), y la minería de procesos permiten analizar e identificar las posibles mejoras a los procesos en las empresas, por medio del uso de un grupo de técnicas y herramientas. La presente investigación se centra en la última etapa de las dos disciplinas referentes a la optimización y mejora continua de los procesos de negocio ya que estas ofrecen nuevas alternativas para el óptimo desempeño y control de los mismos que hoy se presentan a diario en las empresas.

La optimización es el proceso de búsqueda de la mejor solución posible para un determinado problema. Puede verse como la búsqueda de los valores de las variables de decisión para los cuales cierta función objetivo $\left(\text{fo}\right)$ logra su valor extremo (^{Chong y Zak, 2004}, ²⁰¹³). La optimización multiobjetivo aplicada a los procesos de negocio puede resultar una buena opción para mejorar estos ya que más de un criterio de optimización puede ser seleccionado y satisfecho simultáneamente.

La Empresa Pesquera Industrial “Camilo Cienfuegos” situada en el municipio de Batabanó, provincia de Mayabeque tiene como objetivo la captura, industrialización y comercialización de forma mayorista, de especies de la plataforma frescas o congeladas, siendo la langosta su principal renglón exportable. El incremento constante de información a analizar en esta empresa trae consigo la necesidad de emplear técnicas analíticas para la extracción del conocimiento en grandes volúmenes de datos, necesarias para diagnosticar problemas e identificar posibles áreas de mejora del proceso. Su uso permitiría aplicar una estrategia de optimización de los procesos de producción de la langosta como la clave para reducir sus costos de producción y expandirse en su entorno.

Esto sustenta el interés de esta investigación en la necesidad que existe actualmente en la empresa de disponer de herramientas informáticas que les permitan optimizar sus procesos de producción de la langosta teniendo en cuenta varios objetivos como son el costo de producción y la completitud del proceso.

MÉTODOS

Gestión de Procesos de Negocio y Minería de Procesos

La Gestión de Procesos de Negocio permite a las empresas gestionar de una manera más eficiente sus procesos de negocio mediante métodos, técnicas y herramientas creadas para apoyar el diseño, la mejora, la gestión y el análisis de los mismos (^{Van der Aalst, 2011}, ²⁰¹³; ^{Van Der Aalst et al., 2011}). La minería de procesos es una disciplina que tiene como objetivo descubrir, monitorear y mejorar procesos a través de la extracción de conocimiento de los registros de eventos disponibles en los actuales sistemas de información (^{Van der Aalst, 2011}; ^{Van Der Aalst et al., 2011}; ^{Van der Aalst et al., 2011}).

Como apoyo a estas disciplinas se han creado distintos estándares que incluyen notaciones simbólicas para la definición de los procesos de negocio como son el Business Process Management Notation (BPMN) por la OMG ^{Ter Ter Hofstede y Weske (2003)} y las redes de Petri por ^{Murata (1989)}. En esta investigación se hace uso del BPMN para la modelación del proceso de producción de la langosta entera precocinada mediante la herramienta Bonita Studio y posteriormente se procede a convertir el proceso BPMN hacia el modelo matemático redes de Petri al cual se le aplicará la optimización multiobjetivo.

Optimización Multiobjetivo

Los problemas de optimización multiobjetivo (MOP, por sus siglas en inglés), se separan de la optimización convencional de un único objetivo, ya que, en la primera generalmente no se entrega una única solución. En vez de esto, el MOP genera un conjunto de posibles soluciones sobre las cuales los decisores deben seleccionar cual adoptar, basado en una evaluación del desempeño de la misma en todos los objetivos (^{Miettinen, 2008}).

En un problema multiobjetivo se pueden escoger tantos objetivos como se desee, pero en este trabajo surge la necesidad de limitar el problema que se va a tratar en cuestión a la optimización de $k=2$ objetivos: costo de producción y completitud del proceso que se quiere optimizar. El problema queda formulado de la siguiente manera:

$\mathrm{Optimizar\; (Maximizar/Minimizar)}$

$y=f_{\left(x\right)}={(f}_1\left(x\right),f_2\left(x\right))$ (1)

$\mathrm{Sujeto\; a}{e}_1\left(x\right)>0$

donde:

$f_{1 }\left(x\right):$	es la función objetivo de costo de producción del proceso;
$f_{2 }\left(x\right):$	es la función objetivo de completitud del proceso.

La función objetivo costo de producción del proceso consiste en sumar el costo de cada transición, es decir, la actividad en el proceso; disparada durante el parseo de las trazas. Solo que si una transición disparada por esta vía no tiene los tokens necesarios para su disparo entonces su costo no se añadirá al costo total. De esta forma se asegura que mientras más mala sea una solución (según el cálculo de la completitud) para el registro de eventos, su costo puede ser menor.

La función objetivo completitud del proceso está representada mediante su modelo, por lo que, un modelo será más completo en la medida que sea capaz de procesar un mayor número de trazas en el registro de eventos. Una de las formas básicas de obtener la completitud sería dividir la cantidad de trazas ejecutadas correctamente entre el total de trazas existentes en el registro de eventos. Para el desarrollo de la aplicación informática de la presente investigación se tuvo en cuenta la fórmula de completitud propuesta por ^{De Medeiros et al. (2007)}. la cual se describe a continuación:

${PF}_{Comp}=\frac{act.Eject\left(AP,CM\right)-penalidad}{totalEvt\left(Q\right)}$

$penalidad=\frac{totMarcAusent\left(AP,CM\right)}{totalTrazas\left(AP\right)-trazasMarcAusent\left(AP,CM\right)+1}+\frac{totMarcAband(AP,CM)}{totalTrazas\left(AP\right)-trazasMarcAband\left(AP,CM\right)+1}$

donde

AP:	representa las trazas,
CM:	matriz causal (codificación seleccionada para representar a cada individuo o solución),
$\text{act}.\text{Eject}\left(\text{AP},\text{CM}\right)$ :	a las actividades ejecutadas correctamente
$\text{total Evt}\left(\text{Q}\right)$ :	al total de eventos en el registro de eventos (XES del proceso)
$\text{totMarcAusent}\left(\text{AP},\text{CM}\right)$ :	al total de tokens necesarios para disparar una actividad (transición en la red de Petri) pero que no se encontraban en la plaza de entrada de dicha actividad
$\text{totalTrazas}\left(\text{AP}\right)$ :	al total de trazas en el registro de eventos
$\text{trazasMarcAusent}\left(\text{AP},\text{CM}\right)$ :	al número de trazas donde se perdieron tokens
$\text{totMarcAband}\left(\text{AP},\text{CM}\right)$ :	al número de tokens que quedaron en la red cuando terminó la ejecución de cada traza
$\text{totalTrazas}\left(\text{AP}\right)$ :	al total de trazas en el registro de eventos
$\text{trazasMarcAband}\left(\text{AP},\text{CM}\right)$ :	al número de trazas donde quedaron tokens durante su ejecución

Algoritmos multiobjetivos en la optimización multiobjetivo

Los Algoritmos Evolutivos se refieren a técnicas de búsqueda y optimización inspiradas en el modelo de la evolución Los Algoritmos Evolutivos se refieren a técnicas de búsqueda y optimización inspiradas en el modelo de la evolución propuesto por ^{Darwin (1859)}. Según ^{Back (1996)}, son métodos de optimización y búsqueda de soluciones basados en los postulados de la evolución biológica. En ellos se mantiene un conjunto llamado población, cuyos elementos representan posibles soluciones, las cuales se mezclan, y compiten entre sí, de tal manera que las más aptas son capaces de prevalecer a lo largo del tiempo, evolucionando hacia mejores soluciones. La población, en el contexto de la computación evolutiva de forma general se refiere a un conjunto de posibles soluciones (soluciones factibles) del problema que se desea resolver.

Existen diversos tipos de algoritmos evolutivos dentro de ellos los que más se desatacan son los algoritmos genéticos, estos han probado ser herramientas generales, robustas y potentes. En esta investigación se utilizan los algoritmos genéticos para la optimización multiobjetivo ya que estos son menos susceptibles a la forma y continuidad de la frontera de Pareto, requieren de poca información del dominio y son relativamente fáciles de usar e implementar. Los algoritmos genéticos multiobjetivos considerados para esta investigación son el NSGAII propuesto por el SPEA2 de ^{Zitzler et al. (2001)} y ^{Deb et al. (2002)}, ya que estos son los algoritmos más representativos para resolver problemas de optimización multiobjetivo.

Algoritmo Genético de Clasificación No Dominada II (NSGAII)

El NSGAII usa un procedimiento rápido para organizar la población por no dominancia, un enfoque para preservar el elitismo y un operador diferente al nicho, para dispersar los individuos en la frontera de Pareto. En este algoritmo, la población descendiente $Q_t$ (tamaño $N$ ) es creada en primera instancia usando la población de padres $P_t$ (tamaño $N$ ). Después de esto, las dos poblaciones son combinadas para formar $R_t$ de tamaño $2N$ . Después de lo anterior, mediante un ordenamiento no dominado se clasifica la población $R_t$ en diferentes frentes de Pareto. Una vez el proceso de ordenamiento no dominado ha finalizado, la nueva población es generada a partir de las configuraciones de los frentes no dominados. Esta nueva población empieza a ser construida con el mejor frente no dominado $(F_1)$ , continúa con las soluciones del segundo frente $(F_2)$ , tercero $(F_3)$ y así sucesivamente. Como la población $R_t$ es de tamaño $2N$ , y solamente existen $N$ configuraciones que conforman la población descendiente, no todas las configuraciones de los frentes pertenecientes a la población $R_t$ podrán ser acomodadas en la nueva población. Aquellos frentes que no pueden ser acomodados desaparecen (^{Deb et al., 2002}).

Algoritmo Evolutivo Pareto de Fuerza 2 (SPEA2)

El SPEA2 de ^{Zitzler et al. (2001)}, se centra en mejorar la asignación de la aptitud, la selección de los padres, el operador de truncamiento y en fijar el tamaño del archivo externo para todas sus generaciones. En este, la función de asignación de aptitud se mejora teniendo en cuenta para cada individuo el número de individuos a los que domina y el número de individuos por los que es dominado. Este esquema también añade una estimación de densidad poblacional. El tamaño $N_{Emax}$ de la población externa $P_E$ (utilizada para elitismo) es fijo, a diferencia del SPEA, en el cual el tamaño de $P_E$ es variable pero acotado. $P_E$ está conformada sólo por individuos no dominados siempre y cuando el número de estos sea mayor o igual que $N_{Emax}$ . En el caso en que el número de individuos no dominados sea menor que $N_{Emax}$ se incluyen individuos dominados dentro de $P_E$ hasta que el tamaño de $P_E$ sea igual a $N_{Emax}$ .

La técnica de agrupamiento (clustering), encargada de mantener la diversidad de la población en SPEA, es sustituida por un método de truncamiento, el cual evita eliminar las soluciones extremas del conjunto de soluciones no dominadas. La selección se realiza mediante torneo binario, tomando como criterio de comparación el fitness de cada uno de los individuos. SPEA2 asume minimización de fitness, por lo tanto, gana el torneo aquel individuo que tenga un menor valor de fitness (^{Zitzler et al., 2001}).

Tecnologías y herramientas utilizadas

Para llevar a cabo la implementación de la aplicación informática para optimizar el proceso de la Producción de la Langosta Entera Precocinada se utilizaron las siguientes tecnologías y herramientas: Java como lenguaje de programación y Netbeans como entorno de desarrollo (^{Peñarrieta, 2017}). JMetal como framework propuesto por ^{Nebro y Durillo (2014)}, para la implementación de los algoritmos NSGAII y SPEA2. La herramienta de modelado Bonita Studio disponible en ^{Castillo (2011)}, para la modelación del proceso mediante la notación BPMN y Yasper para la importación del mismo en formato BPMN y convertirlo en una red de Petri, exportando así el proceso en el archivo PNML que es usado para realizar la optimización mediante la aplicación informática.

RESULTADOS Y DISCUSIÓN

La aplicación informática implementada consiste en optimizar el proceso de la producción de la langosta entera precocinada teniendo en cuenta el costo de producción y completitud del mismo. Para ello es necesario tener el proceso en una red de Petri y a partir de su representación en el archivo PNML y su registro de eventos en su archivo XES, se procede a cargar el proceso y a configurar los parámetros de entrada a considerar para cada uno de los algoritmos a emplear para efectuar la optimización.

Para el proceso que se estudia se tuvieron en cuenta los siguientes parámetros de entrada para ambos algoritmos: el tamaño de la población inicial (10), el número de evaluaciones (1000), el factor de cruzamiento (90%), el factor de mutación (50%) y en el caso del algoritmo SPEA2 se requiere de un nuevo parámetro que es el tamaño del archivo (10). La Figura 1 muestra la aplicación luego de haber cargado el proceso y configurado los parámetros de entrada para el algoritmo NSGAII y la Figura 2 para el algoritmo SPEA2.

FIGURA 1 Configuración de los parámetros de entrada para el algoritmo NSGAII. 

FIGURA 2 Configuración de los parámetros de entrada para el algoritmo SPEA2. 

Una vez configurado los parámetros de entrada se procede a realizar la opción de Optimizar y posteriormente en la Figura 3 se muestra el conjunto de soluciones óptimas del proceso optimizado según el algoritmo seleccionado, en este caso se muestran las posibles soluciones mediante el algoritmo NSGAII. Del conjunto de las soluciones óptimas propuestas se puede seleccionar la que desee visualizar y se muestra el diseño de proceso optimizado según la solución seleccionada y se le muestran al usuario la leyenda de las actividades eliminadas para ese diseño. Luego el analista del negocio (usuario) es el encargado de escoger cual es la mejor para aplicar en el desempeño del proceso.

FIGURA 3 Resultado del proceso optimizado.  

Para la evaluación de los algoritmos se utilizaron los mismos parámetros de entrada y se realizaron 5 ejecuciones por cada uno de ellos. Para establecer una comparación preliminar entre ambos se tuvieron en cuenta 4 métricas: la generación de vectores no dominados, la razón de generación de vectores no dominados, la generación real de vectores no dominados y la distancia generacional utilizadas en ^{Duarte (2001)}.

Al aplicar estas métricas a los resultados de las ejecuciones de los algoritmos empleados en este trabajo se obtuvieron los resultados mostrados en las Tablas 1 y 2.

TABLA 1 Resultado de las métricas para el algoritmo NSGAII 

$N^o$	GVND	RGVND	GRVND	G	Tiempo (ms)
1	10	0.4347	2	1028.686057553229	25767
2	10	0.4347	1	742.4495985176429	38939
3	10	0.4347	3	1330.966674735487	24997
4	10	0.4347	1	1056.8096230922495	17115
5	10	0.4347	1	877.1880986361423	25116
Promedio				1007.212	26386.8

TABLA 2 Resultado de las métricas para el algoritmo SPEA2 

$N^o$	GVND	RGVND	GRVND	G	Tiempo (ms)
1	10	0.4347	3	1385.388867565802	30389
2	10	0.4347	6	349.1493484256466	26650
3	10	0.4347	2	457.9861558632601	36227
4	10	0.4347	0	1493.777450719814	19238
5	10	0.4347	4	951.6957906146208	39574
Promedio				927.592	30415.6

Analizando los datos de las Tablas 1 y 2, se puede observar que para ambos algoritmos el valor de la métrica de generación de vectores no dominados es 10 para cada una de las ejecuciones, esto está dado por el tamaño de la población inicial en ambos algoritmos y en el caso del algoritmo SPEA2 por el tamaño del archivo utilizado. En la métrica razón de generación de vectores no dominados ambos algoritmos presentan los mismos valores: 0.4347 porque dependen de la métrica anterior. Ambas métricas no muestran resultados factibles para comparar ambos algoritmos porque no existen diferencias entre ellos en cuanto a estas. Sin embargo, con la métrica generación real de vectores no dominados es diferente. Se ve claramente como el algoritmo SPEA2 logra encontrar más soluciones en el frente óptimo de Pareto. Y esta afirmación la demuestra la distancia generacional $\left(G\right)$ entre $Y_{known}$ y $Y_{true}$ . Para las ejecuciones con el algoritmo SPEA2, la distancia generacional es menor en promedio que para las ejecuciones con el algoritmo NSGAII.

En este caso se puede llegar a la conclusión que el algoritmo SPEA2 obtiene mejores soluciones con respecto al algoritmo NSGAII, aunque el algoritmo SPEA2 consume en promedio más tiempo para hallar las soluciones que el algoritmo NSGAII. No obstante, se deja a consideración del usuario la selección de las posibles soluciones más óptimas que ofrecen estos pues es este el que conoce qué alternativa u objetivo pudiera mejorar el proceso de la Producción de la Langosta Entera Precocinada en la empresa de Batabanó.

CONCLUSIONES

El desarrollo de este trabajo permitió la implementación de una aplicación informática mediante la cual se optimizó el proceso de la Producción de la Langosta Entera Precocinada facilitándole a los analistas del negocio la obtención de modelos del proceso optimizado y así lograr un mejor desempeño de este en la Empresa Pesquera Industrial “Camilo Cienfuegos” de Batabanó. Se evaluaron los algoritmos NSGAII y SPEA2 empleados en la optimización del proceso teniendo en cuenta las métricas de generación de vectores no dominados, la razón de generación de vectores no dominados, la generación real de vectores no dominados y la distancia generacional. Estas arrojaron que el algoritmo SPEA2 logra encontrar mejores soluciones en el frente óptimo de Pareto, pero sacrificando un poco más de tiempo de ejecución comparado con el algoritmo NSGAII.

REFERENCES

BACK, T.: Evolutionary algorithms in theory and practice: evolution strategies, evolutionary programming, genetic algorithms, Ed. Oxford university press, New York, USA, 1996, ISBN: 0-19-535670-5.

CASTILLO, A.P.A.: BONITA SOFT: Gestor de procesos de negocios BPM, [en línea], Inst. Universidad Nacional de Colombia, 2011, Disponible en:http://www.bonitasoft.com , [Consulta: 6 de abril de 2018].

CHONG, E.; ZAK, S.: “An introduction to optimization”, En: An introduction to optimization 4th ed., Ed. John Wiley & Sons, second ed., New York, USA, p. 15, 2013.

CHONG, K.; ZAK, H.S.: An introduction to optimization, Ed. John Wiley & Sons, New York, USA, 2004, ISBN: 0-471-65400-0.

DARWIN, C.R.: On the Origin of Species by Means of Natural Selection Or the Preservation of Favoured Races in the Struggle for Life., Ed. H. Milford; Oxford University Press, New York, USA, 1859.

DE MEDEIROS, A.A.K.; WEIJTERS, J.M.M.A.; VAN DER AALST, M.P.W.: “Genetic process mining: an experimental evaluation”, Data Mining and Knowledge Discovery, 14(2): 245-304, 2007, ISSN: 1384-5810.

DEB, K.; PRATAP, A.; AGARWAL, S.; MEYARIVAN, T.: “A fast and elitist multiobjective genetic algorithm: NSGA-II”, IEEE transactions on evolutionary computation, 6(2): 182-197, 2002, ISSN: 1089-778X.

DUARTE, S.F.: optimización multiobjetivo, Asunción, Paraguay, 2001.

MIETTINEN, K.: “Introduction to multiobjective optimization: Noninteractive approaches”, En: Multiobjective optimization, Ed. Springer, Springer Berlin Heidelberg ed., vol. 52, Berlin, Germany, pp. 1-26, 2008.

MURATA, T.: “Petri nets: Properties, analysis and applications”, Proceedings of the IEEE, 77(4): 541-580, 1989, ISSN: 0018-9219.

NEBRO, A.; DURILLO, J.: jMetal 4.5 User Manual, jMetal, 2014.

PEÑARRIETA, R.: Programacion Java y Netbeans, 2017.

TER HOFSTEDE, A.H.M.; WESKE, M.: “Business process management: A survey”, [en línea], En: Proceedings of the 1st International Conference on Business Process Management , volume 2678 of LNCS, Ed. Citeseer, 2003, Disponible en:http://www.omg.org/spec/BPMN/2.0/PDF/ , [Consulta: 24 de abril de 2018].

VAN DER AALST, W.: “Using process mining to bridge the gap between BI and BPM”, Computer, (12): 77-80, 2011, ISSN: 0018-9162.

VAN DER AALST, W.: Using Process Mining to Bridge the Gap between BI and BPM, Inst. IEEE Computer Society, 2013.

VAN DER AALST, W.; ADRIANSYAH, A.; DE MEDEIROS, A.A.K.; ARCIERI, F.; BAIER, T.; BLICKLE, T.; BOSE, J.C.; AGUIAR, P.K.; ABRAHÃO, R.F.; BUIJS, J.: “Process mining manifesto”, En: International Conference on Business Process Management, Ed. Springer, Germany, pp. 169-194, 2011.

VAN DER AALST, W.; ADRIANSYAH, A.; MEDEIROS, A.F.: Process Mining Manifiesto, Ed. Springer-Verlag, Business Process Management Workshops ed., vol. 99, Springer-Verlag, Germany, 5-20 p., 2011.

ZITZLER, E.; LAUMANNS, M.; THIELE, L.: “SPEA2: Improving the strength Pareto evolutionary algorithm”, ComputerEngineering and Networks Laboratory (TIK)-report, 103, 2001.

Recibido: 10 de Diciembre de 2019; Aprobado: 25 de Septiembre de 2020

^*Author for correspondence: Yaimi Barcenas Mompeller, e-mail: [e-mail]