基于遺傳算法的時態(tài)流程挖掘研究與應用.pdf

1、目前，大多數(shù)的企業(yè)管理應用軟件都會隨著系統(tǒng)運行自動產(chǎn)生大量的日志，這些日志記錄了系統(tǒng)的實際業(yè)務執(zhí)行情況等信息。如何合理地對這些日志進行分析，提取有用的知識，成為近年來不少學者研究的熱點。
　　 本文首先介紹工作流挖掘的意義及其技術研究的現(xiàn)狀，并對流程挖掘技術面臨的挑戰(zhàn)進行綜述，指出當前大部分的研究忽略了日志中的時間因素，并且沒有考慮日志的流程增量問題，降低了對業(yè)務日志進行流程挖掘的準確性。基于當前流程挖掘研究的不足，本文提出了日

2、志時態(tài)分析模型，利用該模型對日志進行預處理，首先對日志中的流程實例和各個任務進行時間分析，利用“時間區(qū)間劃分法”建立任務間的時態(tài)關系，然后提出“時間知識權值法”對日志進行處理，刪除一些無效的任務，有效地解決流程增量問題，提高流程挖掘的準確性和挖掘結果的參考價值。
　　 在此基礎上，我們提出改進遺傳算法的時態(tài)流程挖掘框架，該算法在初始種群時引入啟發(fā)式規(guī)則，縮小搜索空間。一個種群包含若干個遺傳個體，每個遺傳個體對應一個流程模型，遺傳

3、個體的適應度函數(shù)衡量遺傳個體與任務日志的擬合程度。算法的適應度函數(shù)加入了微調因子提高流程挖掘的準確性，并且在變異算子中加入啟發(fā)式規(guī)則，加快算法運算速度。在得到最優(yōu)化個體后，使用合并技術構建時態(tài)流程模型。
　　 最后，我們基于上述的討論，在Java平臺上實現(xiàn)了基于改進遺傳算法的時態(tài)流程挖掘框架，通過實驗進行檢驗分析，并與其他算法進行對比，證明算法的有效性，能克服α算法和α++算法在某些結構的不足和限制，并有效地解決一些流程增量問題