逻辑Petri网非自由选择结构模型修复方法

业务过程通常在信息系统中实现之前由过程模型描述和验证。过程模型可以描述系统的特性,并通过向系统设计者提供反馈的功能来验证系统的正确性。当系统生成的事件日志中的活动与过程模型中的活动存在偏差时,需修复现有模型。对于含非自由选择结构的模型,尽管事件日志中的活动可以由现有的修复方法而得到重放,但修复后的模型往往会与原模型在结构上有很大的不同,此外,还会导致模型精确度不高且模型结构复杂。因此本文提出一种基于逻辑Petri网新的模型修复方法。首先给出了变迁对和后继关系的概念,构造出后继关系矩阵。接着通过遍历变迁对来确定模型需要修复的位置。最后通过实验验证方法的正确性和可行性。

基于统计α算法的过程挖掘

过程挖掘算法是从管理信息系统产生的事件日志中提取信息、发现知识并实现工作流建模的工具,也是目前工作流最主要的建模工具。然而现有的过程挖掘算法存在准确度较低、运行时间长和拟合度过高等问题,影响最终工作流模型的准确率。提出了一种基于统计α算法的过程挖掘算法,在保证算法较高的准确率和合适的拟合度的同时,降低算法运行时间,保证了算法的效率。首先,提出了重名活动识别算法,作为过程挖掘的预处理活动,提高了算法的准确性;其次,提出了统计α算法作为过程挖掘核心算法,有效消除了事件日志中噪声的影响;最后,提出了新的非自由选择结构识别算法,进一步提高了算法的鲁棒性和准确率。通过仿真实验和真实案例验证了该算法在准确率和运行时间上的优越性。

基于模拟退火算法的过程挖掘研究

模拟退火过程挖掘算法是为了更好地挖掘过程模型中非自由选择结构而提出的.模拟退火算法用于过程挖掘的基本思想,是以因果矩阵模拟事件日志行为,通过退火操作对因果矩阵进行处理,并对挖掘结果不断进行量化衡量.本文的主要工作包括:(1)在过程挖掘的环境下实现模拟退火算法;(2)用因果矩阵作为内部表示;(3)在退火操作选择过程中引入启发式规则;(4)对挖掘结果进行量化衡量,并通过过程挖掘的测试平台Prom进行实现和检测.