基于遗传算法的时态流程挖掘研究与应用

摘要

目前，大多数的企业管理应用软件都会随着系统运行自动产生大量的日志，这些日志记录了系统的实际业务执行情况等信息。如何合理地对这些日志进行分析，提取有用的知识，成为近年来不少学者研究的热点。
　　 本文首先介绍工作流挖掘的意义及其技术研究的现状，并对流程挖掘技术面临的挑战进行综述，指出当前大部分的研究忽略了日志中的时间因素，并且没有考虑日志的流程增量问题，降低了对业务日志进行流程挖掘的准确性。基于当前流程挖掘研究的不足，本文提出了日志时态分析模型，利用该模型对日志进行预处理，首先对日志中的流程实例和各个任务进行时间分析，利用“时间区间划分法”建立任务间的时态关系，然后提出“时间知识权值法”对日志进行处理，删除一些无效的任务，有效地解决流程增量问题，提高流程挖掘的准确性和挖掘结果的参考价值。
　　 在此基础上，我们提出改进遗传算法的时态流程挖掘框架，该算法在初始种群时引入启发式规则，缩小搜索空间。一个种群包含若干个遗传个体，每个遗传个体对应一个流程模型，遗传个体的适应度函数衡量遗传个体与任务日志的拟合程度。算法的适应度函数加入了微调因子提高流程挖掘的准确性，并且在变异算子中加入启发式规则，加快算法运算速度。在得到最优化个体后，使用合并技术构建时态流程模型。
　　 最后，我们基于上述的讨论，在Java平台上实现了基于改进遗传算法的时态流程挖掘框架，通过实验进行检验分析，并与其他算法进行对比，证明算法的有效性，能克服α算法和α++算法在某些结构的不足和限制，并有效地解决一些流程增量问题，挖掘得到合理的时态流程模型。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究背景及研究意义

1.2研究内容

1.3论文的组织结构

第2章相关领域研究

2.1业务流程挖掘发展历程

2.2流程挖掘的研究现状

第3章流程挖掘相关技术的数学定义

3.1工作流技术

3.2工作流挖掘

3.3业务系统日志

3.4 Petri网

3.5工作流网WF-Net

3.6流程结构特征

3.7小结

第4章流程日志的时态分析

4.1日志时态关系

4.2日志时态分析模型

4.3小结

第5章遗传算法的时态流程挖掘

5.1遗传算法的概述

5.2遗传算法与流程挖掘

5.3启发式规则

5.4遗传算法流程挖掘

5.5框架的实现与实验分析

5.6小结

第6章总结和展望

6.1总结

6.2下一步工作

参考文献

致谢