基于逻辑Petri网的循环并发结构的过程模型修正方法技术

技术编号:20078213 阅读:50 留言:0更新日期:2019-01-15 01:36
本发明专利技术提供了一种基于逻辑Petri网的循环并发结构的过程模型修正方法,首先,通过添加标识库所集,给出普通/逻辑最优扩展校准,之后,根据连续日志动作在最优扩展校准中是否完整出现,分为静态或动态模型修正。静态模型修正是直接根据连续日志动作的标识库所集与相应变迁前集之间的关系,进行偏差定位,并根据逻辑Petri网进行静态模型修正。动态模型修正相对复杂,根据过程树,提出并发变迁集,通过连续日志动作的标识库所集与相应变迁前集之间的关系,进行偏差定位,并根据逻辑Petri网进行动态模型修正。基于逻辑Petri网动态修正模型简洁度更高,可以更好的描述活动之间的逻辑关系,在保持高拟合度的同时,提高了精确度。

Process model updating method based on logical Petri nets with circular concurrent structure

The present invention provides a process model updating method based on logical Petri net's cyclic concurrent structure. Firstly, the general/logical optimal extended calibration is given by adding the set of identification libraries. Then, according to whether the continuous log action appears completely in the optimal extended calibration, it is divided into static or dynamic model updating. Static model updating is based on the relationship between the set of logo libraries of continuous log actions and the corresponding preceding set of changes, and the static model updating is based on logical Petri net. Dynamic model updating is relatively complex. According to the process tree, concurrent change set is proposed. By the relationship between the set of logo libraries of continuous log actions and the corresponding change preceding set, the deviation is located, and the dynamic model updating is carried out according to the logical Petri net. The dynamic modification model based on logical Petri nets is more concise and can better describe the logical relationship between activities. It improves the accuracy while maintaining high fitting degree.

【技术实现步骤摘要】
基于逻辑Petri网的循环并发结构的过程模型修正方法
本专利技术涉及循环并发结构的过程模型修正领域,具体涉及一种基于逻辑Petri网的循环并发结构的过程模型修正方法。
技术介绍
过程挖掘是从事件日志中提取与过程相关的信息,去发现、监控和改进实际过程。现有的过程挖掘技术有过程发现、一致性检测和过程改进。过程发现是根据事件日志生成过程模型;一致性检测是将过程模型与其对应的事件日志进行对比,将事件日志在过程模型上重演从而检查其合规性;过程改进是利用实际过程产生的日志去扩展或改进已有过程模型。目前,已存在很多过程发现算法,α算法是利用活动的顺序关系发现过程模型,其前提是日志的次序关系必须是完备的。现有文献针对α算法进行了很多改进,其中一个文献解决了α算法不能有效挖掘不可见变迁,另外一个文献解决了非自由选择结构问题。启发式挖掘算法针对因果网描述的过程模型,考虑了事件和序列的频次。基于状态的区域发现算法通过寻找并发结构,发现对应的库所区域,使用变迁系统作为输入;基于语言的区域的过程发现寻找同样的库所,但使用“语言”作为输入。评估过程模型质量时,主要考虑4个维度:拟合度、简洁度、精确度和泛化度。拟合度是指事件日志在过程模型上的重演能力,如果模型可以重演日志中所有迹,那么其拟合度是理想的,现实中理想情况微乎其微,不论是过程发现还是模型修正都在尽力提高模型拟合度,拟合度是评价模型质量最重要的指标;简洁度是指模型结构的简洁与否;精确度是模型不允许生成除给定事件日志记录之外的迹,只能重演事件日志中的迹;泛化度是预测未来迹的发生情况。常见的一致性检测有托肯重演、足迹对比和校准等。通过一致性检测可以发现事件日志与过程模型之间存在的偏差,从而对过程模型进行扩展或修正,使模型更符合现实。通过对事件日志和过程模型进行校准,根据校准序列的日志动作、模型动作和同步动作可以精确定位偏差。Fahland模型修正方法在校准基础上,将存在偏差的不拟合子日志进行收集,并将可以描述不拟合子日志的自环插入原模型。Fahland修正方法,提高了模型拟合度,但是修正模型允许子过程可以多次重复出现,导致模型精度降低,复杂性提高。目前,已存在很多提高模型精确度的修正方法,针对某一特定结构,对模型进行高精确度修正。基于Petri网的修正方法,通过包含循环结构的事件日志,对模型进行修正,不能很好地修正活动之间的逻辑关系。而逻辑Petri网可以很好的解决这类问题。逻辑Petri网是高级Petri网和抑制弧Petri网的抽象与扩展,其变迁的输入、输出受逻辑表达式限制。逻辑Petri网可以提高模型简洁度,描述活动之间的逻辑关系,并能很好地描述实时协同工作系统模型的网结构。
技术实现思路
本专利技术的目的是针对模型中的循环并发结构,提出一种基于逻辑Petri网的循环并发结构的过程模型修正方法。根据过程树,提出并发变迁集概念,通过连续日志动作的标识库所集与相应变迁前集之间的关系,进行偏差定位,根据逻辑Petri网,对模型进行动态修正。本专利技术采用以下的技术方案:一种基于逻辑Petri网的循环并发结构的过程模型修正方法,包括以下步骤:定义校准设A∈Λ,σ∈A*是A上的一条迹,且PN=(P,T;F,M)。(a,t)∈(A∪{>>})×(T∪{>>})是一个动作,校准γ=(a1,t1)(a2,t2)…(a|γ|,t|γ|)是迹σ和模型PN之间的动作队列,且满足:①π1(γ)=σ,即迹中的动作序列产生迹σ;②mi[π2(γ)>mf,即模型中的动作序列产生一个完整的引发序列;其中,若a∈A且t=>>,则为日志动作;若a=>>且t∈T,则为模型动作;若a∈A且t∈T,则为同步动作;否则为非法动作;Γσ,PN是迹σ和模型PN之间所有校准的集合;定义最优校准设A∈Λ,σ∈A*是A上的一条迹,且PN=(P,T;F,M),称γ∈Γσ,PN为迹σ和模型PN之间的最优校准,当且仅当对其中lc(a,t)为可能性代价函数,且对于日志动作和模型动作lc(a,t)=1,对于同步动作lc(a,t)=0;Γσ,PN,lc是迹σ、模型PN与可能性代价函数lc之间的最优校准集合,最优校准存在一个或者多个;定义过程树设A∈Λ,PN=(P,T;F,M)是一个Petri网,是给定的操作符集,τ是不可见变迁,则有:①a∈A∪{τ}是一个过程树;②设PT1,…,PTn(n>0)是过程树,则也是过程树;操作符集中有4种操作符:×表示选择关系,即该操作符对应的子树只有一个会发生;→表示顺序关系,即该操作符对应的子树会顺序发生;表示循环关系,即该操作符对应的子树是循环体;∧表示并行关系,即该操作符对应的子树会并行发生;步骤1:对普通扩展校准、普通最优扩展校准、逻辑扩展校准和逻辑最优扩展校准进行定义;定义普通扩展校准设A∈Λ,σ∈A*是A上的一条迹,且PN=(P,T;F,M);(a,t,p|set)∈(A∪{>>})×(T∪{>>})×{M|Pset}是一个动作,普通扩展校准β=(a1,t1,p1|set)(a2,t2,p2|set)…(a|β|,t|β|,p|β||set)是动作队列,且满足:①γ是迹σ和模型PN之间的校准;②M0是初始标志,存在M0[σ′>Mi,σ′为从π2(γ)模型活动的第1个变迁开始到第i个变迁之间的一条迹,0<i≤|γ|;③Mi|Pset为Mi状态下所有存在托肯的库所集,称为标识库所集;Γσ,PN,M|Pset是迹σ、模型PN与标识库所集M|Pset之间所有普通扩展校准的集合;定义普通最优扩展校准设A∈Λ,且PN=(P,T;F,M),称β∈Γσ,PN,M|Pset为迹σ、模型PN与标识库所集M|Pset之间的普通最优扩展校准,当且仅当对于其中lc(a,t,p|set)为可能性代价函数,对于日志动作和模型动作lc(a,t,p|set)=1,对于同步动作lc(a,t,p|set)=0;Γσ,PN,M|Pset,lc是迹σ、模型PN、标识库所集M|Pset与可能性代价函数lc之间的普通最优扩展校准的集合,最优扩展校准存在一个或者多个;定义逻辑扩展校准设A∈Λ,σ∈A*是A上的一条迹,LPN=(P,T;F,M)是A上的一个逻辑Petri网,(a,t,p|set)∈(A∪{>>})×(T∪{>>})×{M|Pset}是一个动作,逻辑扩展校准βL=(a1,t1,p1|set)(a2,t2,p2|set)…(a|βL|,t|βL|,p|βL||set)是动作队列,且满足:①Γσ,LPN是迹σ和模型LPN之间的校准;②Mi|Pset为Mi状态下所有存在托肯的库所集,称为标识库所集;Γσ,LPN,M|Pset是迹σ、模型LPN与标识库所集M|Pset之间所有逻辑扩展校准的集合;定义逻辑最优扩展校准设A∈Λ,LPN=(P,T;F,M)是A上的一个逻辑Petri网,称βL∈Γσ,LPN,M|Pset为迹σ、模型LPN与标识库所集M|Pset之间的逻辑本文档来自技高网
...

【技术保护点】
1.一种基于逻辑Petri网的循环并发结构的过程模型修正方法,其特征在于,包括以下步骤:定义校准设A∈Λ,σ∈A*是A上的一条迹,且PN=(P,T;F,M),(a,t)∈(A∪{>>})×(T∪{>>})是一个动作,校准γ=(a1,t1)(a2,t2)…(a|γ|,t|γ|)是迹σ和模型PN之间的动作队列,且满足:①π1(γ)=σ,即迹中的动作序列产生迹σ;②mi[π2(γ)>mf,即模型中的动作序列产生一个完整的引发序列;其中,若a∈A且t=>>,则为日志动作;若a=>>且t∈T,则为模型动作;若a∈A且t∈T,则为同步动作;否则为非法动作;Γσ,PN是迹σ和模型PN之间所有校准的集合;定义最优校准设A∈Λ,σ∈A

【技术特征摘要】
1.一种基于逻辑Petri网的循环并发结构的过程模型修正方法,其特征在于,包括以下步骤:定义校准设A∈Λ,σ∈A*是A上的一条迹,且PN=(P,T;F,M),(a,t)∈(A∪{>>})×(T∪{>>})是一个动作,校准γ=(a1,t1)(a2,t2)…(a|γ|,t|γ|)是迹σ和模型PN之间的动作队列,且满足:①π1(γ)=σ,即迹中的动作序列产生迹σ;②mi[π2(γ)>mf,即模型中的动作序列产生一个完整的引发序列;其中,若a∈A且t=>>,则为日志动作;若a=>>且t∈T,则为模型动作;若a∈A且t∈T,则为同步动作;否则为非法动作;Γσ,PN是迹σ和模型PN之间所有校准的集合;定义最优校准设A∈Λ,σ∈A*是A上的一条迹,且PN=(P,T;F,M),称γ∈Γσ,PN为迹σ和模型PN之间的最优校准,当且仅当对其中lc(a,t)为可能性代价函数,且对于日志动作和模型动作lc(a,t)=1,对于同步动作lc(a,t)=0;Γσ,PN,lc是迹σ、模型PN与可能性代价函数lc之间的最优校准集合,最优校准存在一个或者多个;定义过程树设A∈Λ,PN=(P,T;F,M)是一个Petri网,是给定的操作符集,τ是不可见变迁,则有:①a∈A∪{τ}是一个过程树;②设PT1,…,PTn(n>0)是过程树,则也是过程树;操作符集中有4种操作符:×表示选择关系,即该操作符对应的子树只有一个会发生;→表示顺序关系,即该操作符对应的子树会顺序发生;表示循环关系,即该操作符对应的子树是循环体;∧表示并行关系,即该操作符对应的子树会并行发生;步骤1:对普通扩展校准、普通最优扩展校准、逻辑扩展校准和逻辑最优扩展校准进行定义;定义普通扩展校准设A∈Λ,σ∈A*是A上的一条迹,且PN=(P,T;F,M);(a,t,p|set)∈(A∪{>>})×(T∪{>>})×{M|Pset}是一个动作,普通扩展校准β=(a1,t1,p1|set)(a2,t2,p2|set)…(a|β|,t|β|,p|β||set)是动作队列,且满足:①γ是迹σ和模型PN之间的校准;②M0是初始标志,存在M0[σ′>Mi,σ′为从π2(γ)模型活动的第1个变迁开始到第i个变迁之间的一条迹,0<i≤|γ|;③Mi|Pset为Mi状态下所有存在托肯的库所集,称为标识库所集;Γσ,PN,M|Pset是迹σ、模型PN与标识库所集M|Pset之间所有普通扩展校准的集合;定义普通最优扩展校准设A∈Λ,且PN=(P,T;F,M),称β∈Γσ,PN,M|Pset为迹σ、模型PN与标识库所集M|Pset之间的普通最优扩展校准,当且仅当对于其中lc(a,t,p|set)为可能性代价函数,对于日志动作和模型动作lc(a,t,p|set)=1,对于同步动作lc(a,t,p|set)=0;Γσ,PN,M|Pset,lc是迹σ、模型PN、标识库所集M|Pset与可能性代价函数lc之间的普通最优扩展校准的集合,最优扩展校准存在一个或者多个;定义逻辑扩展校准设A∈Λ,σ∈A*是A上的一条迹,LPN=(P,T;F,M)是A上的一个逻辑Petri网,(a,t,p|set)∈(A∪{>>})×(T∪{>>})×{M|Pset}是一个动作,逻辑扩展校准βL=(a1,t1,p1|set)(a2,t2,p2|set)…(a|βL|,t|βL|,p|βL||set)是动作队列,且满足:①Γσ,LPN是迹σ和模型LPN之间的校准;②Mi|Pset为Mi状态下所有存在托肯的库所集,称为标识库所集;Γσ,LPN,M|Pset是迹σ、模型LPN与标识库所集M|Pset之间所有逻辑扩展校准的集合;定义逻辑最优扩展校准设A∈Λ,LPN=(P,T;F,M)是A上的一个逻辑Petri网,称βL∈Γσ,LPN,M|Pset为迹σ、模型LPN与标识库所集M|Pset之间的逻辑最优扩展校准,当且仅当对于其中lc(a,t,p|set)为可能性代价函数,对于日志动作和模型动作lc(a,t,p|set)=1,对于同步动作lc(a,t,p|set)=0;Γσ,LPN,M|Pset,lc是迹σ、模型LPN、标识库所集M|Pset与可能性代价函数lc之间的逻辑最优扩展校准的集合;步骤2:进行循环并发结构的静态模型修正;当过程模型描述的行为与事件日志记录的行为之间存在偏差时,为了使模型能重演日志中记录的行为,需要对现有模型进行修正;通过计算连续日志动作集合,遍历普通最优扩展校准定位偏差,对模型进行静态修正;下面给出计算连续日志动作集合算法,通过算法1,得到最优扩展校准中的连续日志动作;算法1计算连续日志动作集合算法输入:Petri网PN=(P,T;F,M),普通最优扩展校准Γσ,PN,M|Pset,lc;输出:连续日志动作集合CL;步骤(1):初始化连续日志动作集合CL;步骤(2):遍历Γσ,PN,M|Pset,lc,若存在连续的日志动作{(ai,>>,pi|set),…,(aj,>>,pj|set)},且ai和aj分别为网模型并发块的首尾活动;步骤(3):将符合条件的连续日志动作的添加到变迁{ai,…,aj}添加到CL集合中;步骤(4):输出连续日志动作集合CL;计算连续日志动作集合之后,需要通过定位偏差来确定偏差位置,给出算法2,能静态定位日志和模型之间的偏差;其中,pn|set表示标识库所集,是一个库所集合,tn表示单个变迁。算法2静态偏差定位算法输入:连续日志动作集合CL,普通最优扩展校准Γσ,PN,M|Pset,lc;输出:偏...

【专利技术属性】
技术研发人员:杜玉越滕苑秀王路亓亮张福新刘伟
申请(专利权)人:山东科技大学
类型:发明
国别省市:山东,37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1