基于混合自适应的遗传工作流挖掘算法.docVIP

基于混合自适应的遗传工作流挖掘算法 　　摘要：针对遗传算法工作流挖掘容易过早收敛且局部寻优能力较差，导致得到的解不理想的情况，提出了一种基于混合遗传方法的工作流挖掘算法。该算法采用因果矩阵映射流程实例作为工作流模型的编码，在遗传算法的选择操作阶段采用锦标赛策略与精英保留策略相结合，在交叉变异阶段运用混合自适应方法，并结合模拟退火思想，使解的质量有了明显的提高。仿真实验表明，该算法与基于简单遗传方法的工作流挖掘算法相比效率更高。 　　关键词关键词：工作流挖掘；因果矩阵；混合自适应遗传算法；模拟退火 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号2014）004002003 　　作者简介作者简介：杨雅芳（1981-），女，硕士，福州海峡职业技术学院信息工程系、福建工程学院国脉信息学院计算机与信息科学系助教，研究方向为数据挖掘。 　　0 引言 　　工作流挖掘（Workflow Mining ）又称过程挖掘（Processing Mining ）[1]，旨在从工作流日志数据中提取执行轨迹信息，并分析这些信息从而自动建立工作流模型，其主要目的是实现工作流的模型优化、智能管理和柔性管理。 现有的工作流挖掘算法主要采用局部策略，这些方法在综合处理各种复杂结构时存在不足且抗噪能力差，而遗传算法能够从全局的角度综合解决各种复杂结构，抗噪能力较优，但其往往需消耗更多的时间获得解，而且没有全面考虑影响任务依赖关系的度量及适应度函数定义的各种因素。针对遗传算法存在的问题，在对任务依赖关系的度量、适应度函数以及遗传算子进行改进后，本文提出了一种基于混合遗传方法的工作流挖掘算法，仿真结果表明，基于混合遗传方法的工作流挖掘得到的解更优且所消耗的时间更少。 　　1 基于混合自适应遗传方法的工作流挖掘算法 　　1.1 算法步骤 　　本文以遗传算法为主体，结合模拟退火算法[2]，构建因果关系矩阵映射流程实例作为遗传个体[3]，每个因果矩阵对应一个工作流模型。在遗传算法的选择操作阶段，采用锦标赛策略与精英保留策略相结合，在交叉变异阶段运用混合自适应方法并将模拟退火思想引入其中，有效地提高了解的质量。算法流程如图1所示。 　　本文算法执行过程如下： 　　（1） 初始化：①读取事件日志，按照编码机制和启发式规则创建初始化群体；②确定退火算法中的初始温度temp0中的K和终止温度tempm，降温系数θ：温度tempn=θtempn-1，逐步降低温度最大降温次数d。 　　图1 基于自适应混合遗传工作流挖掘算法流程 　　（2）对种群进行选择操作SelectionOperator（）、交叉操作CrossoveOperator（）；按Metropolis准则接收交叉操作产生的新个体，进行变异操作MutateOperator（）；按Metropolis准则接收变异操作产生的新个体。 　　（3）评价新产生的各个子种群中的个体适应度。 　　（4）输出结果。 　　1.2 工作流模型编码――构造因果矩阵 　　描述一个工作流程应该包含如下3方面信息：工作流包含的任务、任务的上下文、如何组织任务之间的因果关系。遗传算法中使用因果矩阵来表示任务之间的因果关系，本算法借鉴遗传算法因果矩阵[4]。 　　定理1：构造因果矩阵――遗传个体 [5]。 　　初始化的过程对所有工作流日志进行遍历，以构造遗传个体GI=（T，C，I，O）。设T为一个任务集合，L：T*→IN为一事件日志，t∈T，即T={t1，t2，…，tn}，n为日志中的任务数；CM为任务关系集合。 　　CM=[cij]n×n，cij=0，……ti，tj没有依赖关系1，……ti，tj存在依赖关系（1） 其中起点为ti，终点为tj；O（ti）表示任务ti的输出条件映射函数，I（ti）表示任务ti的输入条件映射函数，遗传个体定义为GI=（T，C，I，O），一个工作流模型对应于一个遗传个体，GI用任务因果关系矩阵来表示。结合文献[5]中表1的日志， 根据以上定义可得：T={a，b，c，d，e，f，g，h}； 　　CM=0111000000001100000000010000000100000010000000100000000100000000（2） 　　确定CM后，形成输出和输入条件函数O（t）和I（t）。根据表1所示的事件日志，得到过程模型的因果关系矩阵。 　　1.3 初温设置 　　为了避免传统遗传算法“过早收敛”问题，本文在遗传操作过程中引入模拟退火思想[8]，即采用Boltzmann生存机制[6]，避开过早收敛且使种群向前进化。设新产生个体的适应度值为f，其中fw、favg分别为个体的最低适应度、平均适应度和最高适应度。f′=（favg-fw2），当ff