基于同步合成的Petri网基本进程段求解算法

Petri网基本进程段的求取是Petri进程描述的前提和基础，然而直接求取通常是比较困难的。文章研究通过Petri网的同步合成操作求取基本进程段的方法。首先证明了一个结构复杂的Petri网可通过结构简单的S-网的同步合成操作得到，通过分析S-网与合成后的结构复杂网系统基本进程段之间的对应关系。给出了结构复杂Petri网基本进程段的求取算法。     

国家知识基础设施中的数学知识表示

数学知识表示是知识表示中的一个重要方面,是数学知识检索、自动定理机器证明、智能教学系统等的基础.根据在设计NKI(national knowledge infrastructure)的数学知识表示语言中遇到的问题,并在讨论了数学对象的本体论假设的基础上提出了两种数学知识的表示方法:一种是以一个逻辑语言上的公式为属性值域的描述逻辑;另一种是以描述逻辑描述的本体为逻辑语言的一部分的一阶逻辑.在前者的表示中,如果对公式不作任何限制,那么得到的知识库中的推理不是可算法化的;在后者的表示中,以描述逻辑描述的本体中的推理是可算法化的,而以本体为逻辑语言的一部分的一阶逻辑所表示的数学知识中的推理一般是不可算法化的.因此,在表示数学知识时,需要区分概念性的知识(本体中的知识)和非概念性的知识(用本体作为语言表示的知识).框架或者描述逻辑可以表示和有效地推理概念性知识,但如果将非概念性知识加入到框架或知识库中,就可能使得原来可以有效推理的框架所表示的知识库不存在有效的推理算法,甚至不存在推理算法.为此,建议在表示数学知识时,用框架或描述逻辑来表示概念性知识;然后,用这样表示的知识库作为逻辑语言的一部分,以表示非概念性知识.     

S-网的活性分析

讨论了一类结构简单的Petri网-S-网的活性问题，给出了各类S-网的活性判定定理并给出了判定算法．算法主要计算工作是变迁的前序库所集和后继变迁集以及极大强连通子网的判断，这三个过程实际上是一个树的搜索过程，因此算法易于实现，判定效率也大大提高．     

Petri网分解的保性条件分析

Petri网的分解技术是用于复杂网系统分析的一种有效手段 .基于库所指标的 Petri网分解方法 ,将一个复杂的网系统分解成结构满足 |· t|≤且 |t· |≤ 1的简单子网 ,通过分解得到的子网与原系统的状态和行为之间存在着一种投影关系 .但是 ,子网本身也增加了一些不必要的状态和行为 (原网系统在子网上的投影只是子网状态和行为的一个子集 ) .本文提出分解过程中的状态保性和行为保性的概念 ,证明了分解过程中行为和状态保性的充要条件 ,基于标识可达图给出了相应的判定算法 ,对复杂系统的 Petri网分析方法提供了更为有效的理论和可行的技术     

类S—图的语言性质分析

1 引言 Petri网作为系统模拟和分析的工具己得到广泛的应用。Petyi网一个变迁序列可理解为一个字符串,字符串集合为一种语言。所有可能发生的变迁序列的集合表征了一个Petri网的运行特征,可用网中可能出现的变迁序列来分析Petri网的性能。Hack和Peterson最早从事这方面的研究。Hack在文[3]中讨论了网模型的计算能力,指出带抑止弧增广Petri网与图灵机在计算能力上是等价的,从而充分显示了Petri网模型的表达能力。文[4]给出了并发正规表达式的概念,并证明了井发正规表达式与Petri网的语言描述能力等同。文[5]给出了Petri网语言与形式语言关系之间的一个清楚的刻画,并给出了从代数角度判别语言属性的充分必要条件。文[6]研究了语言的识别问题,并给出了基于网语言的网活性刻画。     

Petri网的进程网系统

提出了Petri网的进程系统的概念，一个Petri网的进程网系统是以其基本进程段的集合为新的变迁集，以各个基本进程段集的输入和输出库所集的并集为新的库所集，以原网系统的初始标识为初始标识而得到的网系统，它可以很好的地描述原网系统的进程行为，文中讨论了求取任意Petri网的基本进程段的算法，该算法是通过研究网中的极小可重复向量和极小受控可重复向量在可覆盖树上的分布特征实现的，文中还给出了通过网结构来描述各个基本进程段之间关系的方法，从而求出一Petri网的进程网系统。     

一种基于同步合成构造Petri网进程表达式的方法

Petri网的进程是用于系统行为和状态描述的有效工具,Petri网的进程表达式可以给出系统全部进程的描述,但是对于任意无界Petri网而言求取其进程表达式十分困难.文中首先考察结构简单的S-网的进程行为,给出各种类型的S-网的进程表达式的描述方法.然后拓展了Petri网同步合成的概念,分析了同步合成过程中基本进程段集之间的关系,并利用同步混排给出了进程表达式之间的关系.随后证明了一个Petri网可以通过一组S-网同步合成得到,利用S-网的进程表达式给出了构造Petri网的进程表达式的方法.     

一类含时间因素工作流的建模与时间性能挖掘

时间控制和管理是工作流研究中的重要问题,针对一类含时间因素的工作流,给出了Petri网建模方法,分析了含时间因素工作流Petri网的性质。基于工作流Petri网模型及其可达图,深入挖掘了理想主活动线、稳妥主活动线和最佳状态线,分析了影响整个工作流完成时间的决定性因素以及工作流活动安排的最佳安全方案,给出了寻找理想主活动线、稳妥主活动线和最佳状态线的方法,证明了工作流的最佳状态线存在的充分条件。     

融合波动率的时序数据符号聚合近似方法探究

为解决传统符号聚合近似方法分析时序数据时丢失序列波动形态信息的问题,提出一种融合波动信息的时间序列符号聚合近似方法.该方法在传统符号化方法的基础上定义波动率指标来同时量化时间序列的波动幅度和变化趋势信息,用融合波动率的符号矢量近似刻画子序列,在此基础上给出一种新的时间序列距离度量方法.以此度量方法为基础,提出时间序列的相似性计算和分类方法,并在公开数据集上进行了分类学习实验.实验结果表明,所提方法在绝大部分数据集上获得了较传统符号聚合近似方法更好的分类准确率,尤其在时间序列具有明显的局部波动或明显的上升、下降趋势时.     

基于注意力双向循环神经网络的业务流程剩余时间预测方法

现有的基于深度学习的业务流程剩余时间预测方法大多采用传统的长短期记忆循环神经网络构建预测模型,由于传统长短期记忆循环神经网络对序列数据的建模能力有限,导致现有方法的预测效果还有较大提升空间。针对现有方法的不足,提出一个基于注意力双向循环神经网络的业务流程剩余时间预测方法。该方法使用双向循环神经网络对流程实例数据进行建模,同时引入注意力机制自动学习流程实例中不同事件的权重。此外,为了进一步提升学习效果,基于迁移学习的思想设计了一种迭代学习策略,为不同长度的流程实例分别构建剩余时间预测模型,提高了模型的针对性。实验结果表明,所提方法与传统的方法相比具有明显的优势。