动态工作流挖掘模型及算法研究

工作流挖掘是工作流再设计与分析的一项关键技术,目的在于从企业已有信息系统的日志记录中提取与实际应用相关的业务流程,从而提高工作流建模的客观性。从实际应用的角度出发,提出基于动态工作流网的挖掘模型,并设计了可行的算法。该算法从零日志开始,在工作流执行期间柔性地构建工作流模型和生成日志记录,动态生成工作流网,在很大程度上解决了常规挖掘方法在挖掘复杂结构效率低、准确性差、依赖完整的日志记录和不支持柔性工作流等方面的问题。算法的实用性在实际应用系统中得到了很好的证明。     

基于Petri网的工作流挖掘技术分析

针对传统的工作流管理生命周期对“商业过程再造”不能紧密支持的问题,引入了过程挖掘阶段和过程验证阶段。本文着重讨论基于Petri网的过程模型挖掘技术,对其步骤和所涉及的问题进行了分析,并提出了过程挖掘的算法。     

基于动态工作流网的工作流过程挖掘

挖掘和描述过程日志中的动态信息可以提高工作流过程建模的效率和效果.为此,在工作流网的基础上提出了动态工作流网,进行了合理性分析,并给出了基于此概念的过程挖掘算法.原型系统的实验结果表明,该算法是有效的.     

过程挖掘中一种能发现重复任务的扩展α算法

基于α-算法,提出了能发现工作流日志中重复任务的过程挖掘算法α**,并给出了正确性证明.该算法先通过机器学习的方法分析重复任务的性质,给出了判定重复任务的定理并证明了其正确性;然后使用这些定理判断并标识出日志中的所有重复任务;最后,采用α-算法从标识后的日志中提取出工作流网,并对其进行调整得到包含重复任务的工作流网模型.通过模拟实验验证了算法的有效性,与现有的重复任务挖掘方法的实验结果相比证实了文中提出的方法具有更高的效率.     

aH算法:工作流挖掘中一种能挖掘隐含任务的扩展a算法

正确发现流程实际运作情况对工作流管理有着重要的意义。工作流挖掘抽取系统日志信息,挖掘流程的真实运作模型。其中挖掘隐含任务是工作流挖掘中待研究问题之一。基于a算法,提出了能挖掘隐含任务的挖掘算法aH。分析了隐含任务出现的可能情况,通过判断并行任务的位置关系,往工作流网中添加隐含任务;然后合并相同的隐含任务,去掉冗余隐含任务,以完善结果模型。实现了。算法原型,实验证实了方法的可行性及有效性,并分析了方法的不足之处。     

基于工作流挖掘的活动成批处理区发现

针对支持成批处理的工作流系统在应用中的活动成批区设定问题,提出一种基于工作流挖掘的活动成批区发现方法.该方法首先利用现有工作流挖掘方法得到初始工作流模型.然后进行活动成批处理特征识别与成批处理区发现,从最终得到初始工作流模型中的活动成批处理区.具体算法过程及算法有效性通过对某公司处理共享租车的过程日志进行挖掘的实例进行了说明与实验验证.     

工作流模型挖掘算法及其应用研究

工作流管理系统由工作流模型所驱动,但产业界的实践表明定义工作流模型的工作不仅费时而且易错。工作流挖掘技术能够帮助解决这一问题,并能为现有工作流的分析与优化提供参考。简要介绍三种典型且具有应用价值的工作流模型挖掘算法,并应用其中一种挖掘算法,详细讨论了一个实际的工作流模型挖掘过程。挖掘过程以某Staffware系统的工作流日志文件为起点,包括数据预处理、初始工作流模型挖掘、初始工作流模型化简三个主要步骤,具体实现可通过一个工作流模型挖掘子系统参与完成。     

工作流挖掘技术研究综述

现代过程感知的信息系统是由过程模型驱动的,过程建模是系统成功运行的关键因素。工作流挖掘技术旨在通过分析事件日志自动产生过程模型,辅助过程模型的设计与再设计。该文首先介绍了工作流挖掘的概念和一般步骤,然后对国内外工作流挖掘的研究现状作了综述,重点介绍了几种有代表性的过程挖掘算法,最后讨论了工作流挖掘领域目前存在的挑战性问题。     

工作流模型挖掘中改进的α算法

针对α算法在挖掘短循环结构等方面的不足,提出了一种改进的α算法.该算法先基于事件类型定义任务间序关系;然后依据这些关系逐渐缩小日志,推出序关系矩阵.最后据此矩阵借助形式化步骤生成工作流网.用一个案例解释了算法的执行过程并进行模拟实验,验证了该算法的可行性和有效性.实验结果表明,改进算法比α算法在处理模型结构、重发现模型种类以及挖掘质量上更具优势.     

基于XML的工作流模型挖掘

针对工作流模型的XML文档的特殊性,提出了基于XML的工作流模型挖掘算法,该算法综合利用了结构信息与内容信息对XML文档进行分析,并将XML文档的结构与内容进行了量化,用一个矩阵来表示文档,进一步对文档进行综合挖掘,为工作流模型的挖掘提供了一种有效的方法。     

An efficient genetic algorithm for automated mining of both positive and negative quantitative association rules

In this paper, a genetic algorithm (GA) is proposed as a search strategy for not only positive but also negative quantitative association rule (AR) mining within databases. Contrary to the methods used as usual, ARs are directly mined without generating frequent itemsets. The proposed GA performs a database-independent approach that does not rely upon the minimum support and the minimum confidence thresholds that are hard to determine for each database. Instead of randomly generated initial population, uniform population that forces the initial population to be not far away from the solutions and distributes it in the feasible region uniformly is used. An adaptive mutation probability, a new operator called uniform operator that ensures the genetic diversity, and an efficient adjusted fitness function are used for mining all interesting ARs from the last population in only single run of GA. The efficiency of the proposed GA is validated upon synthetic and real databases.     

全局数值寻优的一种混合遗传算法

提出一种与单纯形法相结合，用于解决全局数值优化问题的混合遗传算法. 在该混合方法中，采用了非线性排序选择、多个交叉后代竞争择优、变异尺度自适应变化变异算子和适应性阶段进化策略等改进的遗传机制，并采用精英个体保留策略、修改的单纯形策略及改进的遗传策略共同产生下一代群体. 数值结果表明提出的该方法的有效性.     

自适应梯度幅值和形态学组合滤波算法

针对传统梯度幅值滤波算法中阈值需人工确定而无法正确判断噪声点和产生新噪声点的问题,提出了一种自适应梯度幅值和多结构元素形态学组合滤波算法。首先使用梯度幅度均值与方差的和作为阈值,以及Otsu算法自适应阈值两种自适应滤波算法对图像进行滤波,以自动确定滤波阈值,最大限度滤除噪声点,保持图像细节;然后使用多结构元素组成串联形态学复合滤波器对自适应梯度幅值滤波后的图像进一步滤波,以解决在自适应滤波过程中产生的新噪声问题。通过实验结果对比与分析,该算法滤波后的图像视觉效果明显好于传统滤波方法,从而验证了该算法既能保持图像细节,又能实现较好的图像滤波效果。     

基于改进混合算法优化RBF网络的滤波器建模

为构建精确的微带线滤波器神经网络模型,提出一种结合自适应遗传算法和改进粒子群算法的混合算法。在自适应遗传算法中,构造二次型选择策略以提高优秀个体的复制概率,加快收敛到初始全局最优解;利用粒子群算法良好的局部搜索能力,在标准粒子群算法的位置迭代公式中引入高斯扰动项,以克服收敛速度慢和早熟收敛的缺点,提高搜索全局最优解的可能性。通过对测试函数仿真,验证改进算法的可行性。最后将混合算法用于优化神经网络参数,建立平行耦合微带线滤波器模型。结果表明,滤波器参数S21和S11的均方根误差至少减小18.22%与12.68%,微带滤波器建模精度得到提高,验证了该算法对滤波器建模的有效性和可靠性。     

舰船补给物料搬运顺序优化问题的改进遗传算法

现有的多搬运工具可并行条件下的物料搬运顺序优化模型, 其采用的标准遗传算法收敛速度慢且易陷入局部最优. 提出了该模型的改进遗传算法, 采用精英保留策略代替传统的轮盘选择方法, 使用自适应策略设计交叉算子和变异算子. 以某一具体的舰船补给物料搬运顺序优化问题为背景, 通过实例进行了计算. 结果表明, 改进遗传算法收敛速度大大提高, 具有较高的求解质量和效率.     

用于求解二维圆形排样问题的自适应混合算法

针对二维圆形版面不等圆排样问题,在最小局部距离定位布局策略的基础上,引入紧凑度和适应度,提出基于拟矩形排样的自适应启发式算法,并与以自然数编码的遗传算法相结合构建混合算法。该混合算法发挥两者的全局搜索能力与局部寻优能力。在标准测试算例上,与一些经典算法进行比较,结果表明,该算法能够在更短的时间内获得更为满意的结果。     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘。在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生。以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性。     

自适应差分隐私预算分配策略的直方图发布算法

差分隐私直方图发布中,隐私预算涉及到噪声添加的强度,直接影响到直方图发布的数据可用性,如何合理地进行隐私预算的分配是直方图发布算法面临的一大挑战。提出了一种自适应的隐私预算分配策略的直方图发布算法APB（adaptive privacy budget allocation）,首先通过分析分组前后引入的噪声误差和重构误差,建立了隐私预算分配权重的优化模型,得到最优分配权重和分组大小以及分组个数之间关系;然后基于优化模型和贪心分组的思想,提出了自适应的隐私预算分配策略,可以更好地均衡噪声误差和重构误差,提高发布数据的可用性。实验结果表明,基于自适应的隐私预算分配策略的直方图发布算法可用性高于同类算法。     

针对多并发三角形二度循环结构的过程模型挖掘方法

为了在不完备的日志中挖掘含有多并发的三角形二度循环结构的过程模型,在扩展Alpha算法的基础上提出AlphaMatch算法。该算法可以在不包含重复行为序列的日志中,将两个活动匹配成三角形二度循环,并挖掘出含有多并发三角形二度循环的过程模型。首先,根据活动数量关系将构成三角形二度循环的活动分为两类;然后,再根据活动位置关系,使用三角形二度循环活动的首尾标记位置矩阵匹配这两类活动,并且给出足迹矩阵显示活动之间的关系;最后,在ProM平台上进行了大量仿真实验,从模型正确性、挖掘效率、拟合度和精确度四个角度验证了算法能有效挖掘含有多并发的三角形二度循环的Petri网模型。     

Identification of cancerous gene groups from microarray data by employing adaptive genetic and support vector machine technique

Nowadays, microarray gene expression data plays a vital role in tumor classification. However, due to the accessibility of a limited number of tissues compared to large number of genes in genomic data, various existing methods have failed to identify a small subset of discriminative genes. To overcome this limitation, in this paper, we developed a new hybrid technique for gene selection, called ensemble multipopulation adaptive genetic algorithm (EMPAGA) that can overlook the irrelevant genes and classify cancer accurately. The proposed hybrid gene selection algorithm comprises of two phase. In the first phase, an ensemble gene selection (EGS) method used to filter the noisy and redundant genes in high-dimensional datasets by combining multilayer and F-score approaches. Then, an adaptive genetic algorithm based on multipopulation strategy with support vector machine and naïve Bayes (NB) classifiers as a fitness function is applied for gene selection to select the extremely sensible genes from the reduced datasets. The performance of the proposed method is estimated on 10 microarray datasets of numerous tumor. The comprehensive results and various comparisons disclose that EGS has a remarkable impact on the efficacy of the adaptive genetic algorithm with multipopulation strategy and enhance the capability of the proposed approach in terms of convergence rate and solution quality. The experiments results demonstrate the superiority of the proposed method when compared to other standard wrappers regarding classification accuracy and optimal number of genes.