基于遺傳算法的pid參數(shù)優(yōu)化設(shè)計(jì)

《基于遺傳算法的pid參數(shù)優(yōu)化設(shè)計(jì)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、基于結(jié)構(gòu)化工作流網(wǎng)的隱含任務(wù)挖掘方法［摘要］過(guò)程挖掘是一種客觀、自動(dòng)化的過(guò)程分析技術(shù)，它通過(guò)挖掘過(guò)程日志來(lái)得到業(yè)務(wù)過(guò)程的結(jié)構(gòu)模型，是傳統(tǒng)過(guò)程分析手段的重要補(bǔ)充。如何正確挖掘包含隱含任務(wù)的不完整過(guò)程日志，是過(guò)程挖掘需要解決的難題之一?，F(xiàn)有的一些算法如基因算法、α#算法等解決了部分類型隱含任務(wù)的挖掘問(wèn)題，但仍有許多類型的隱含任務(wù)無(wú)法被正確挖掘。針對(duì)這一問(wèn)題，本文在α#算法的基礎(chǔ)上提出了一種基于結(jié)構(gòu)化工作流網(wǎng)的挖掘算法，該算法能夠較為完整地挖掘各類包含隱含任務(wù)的結(jié)構(gòu)化工作流網(wǎng)模型。通過(guò)理論分析和實(shí)驗(yàn)驗(yàn)

2、證，該算法的正確性和有效性得到了證明。［關(guān)鍵詞］過(guò)程挖掘；結(jié)構(gòu)化工作流網(wǎng)；隱含任務(wù)；改進(jìn)α算法doi:10.3969/j.issn.1673-0194.2012.07.025［中圖分類號(hào)］tp391［文獻(xiàn)標(biāo)識(shí)碼］a［文章編號(hào)］1673-0194（2012）07-0048-04０引言面對(duì)激烈的市場(chǎng)競(jìng)爭(zhēng)和市場(chǎng)環(huán)境的快速變化，現(xiàn)代企業(yè)必須能夠隨時(shí)對(duì)核心業(yè)務(wù)過(guò)程做出適當(dāng)?shù)恼{(diào)整以適應(yīng)新的需要。這不但需要管理者能夠掌握外部環(huán)境的變化，也需要管理者能夠?qū)ζ髽I(yè)業(yè)務(wù)過(guò)程的實(shí)際情況有清晰的了解。傳統(tǒng)的過(guò)程分析手段，

3、如調(diào)查、訪談、建模分析和模擬等，費(fèi)時(shí)費(fèi)力，而且受用戶的主觀性影響很大，容易出現(xiàn)偏差，因此越來(lái)越難以滿足用戶的需要。過(guò)程挖掘是一種自動(dòng)化的過(guò)程分析技術(shù)，通過(guò)對(duì)業(yè)務(wù)過(guò)程日志的挖掘，自動(dòng)生成業(yè)務(wù)過(guò)程的執(zhí)行流模型，從而幫助用戶更好地理解業(yè)務(wù)過(guò)程的內(nèi)在執(zhí)行邏輯［１］。由于其分析的依據(jù)——業(yè)務(wù)過(guò)程日志是企業(yè)在實(shí)際業(yè)務(wù)運(yùn)行過(guò)程中生成的客觀記錄，因此該技術(shù)客觀性強(qiáng)、費(fèi)用低、速度快，有效地彌補(bǔ)了傳統(tǒng)過(guò)程分析手段的各種缺陷，并已經(jīng)在政府公共工程、醫(yī)院和供應(yīng)鏈管理等實(shí)際領(lǐng)域中取得了一定的成功應(yīng)用［２－４］。對(duì)包含錯(cuò)誤

4、、隱含任務(wù)［５］等的不完整日志的挖掘是過(guò)程挖掘面臨的難題之一。因?yàn)閷?shí)際中用于挖掘的日志主要來(lái)源于企業(yè)的信息系統(tǒng)的自動(dòng)生成，因此日志中包含錯(cuò)誤的情況并不常見(jiàn)，不完整日志問(wèn)題基本上都是由于包含隱含任務(wù)造成的?，F(xiàn)有的大多數(shù)過(guò)程挖掘算法在處理包含隱含任務(wù)的日志時(shí)都無(wú)法得到正確的結(jié)果。少數(shù)幾種能夠處理隱含任務(wù)的算法，如基因算法［６］、α＃算法［７］等，但只能挖掘部分類型的隱含任務(wù)，未能完全解決隱含任務(wù)的挖掘問(wèn)題。針對(duì)這一問(wèn)題，本文嘗試提出一種基于α算法［８］和結(jié)構(gòu)化工作流網(wǎng)［９］的過(guò)程挖掘算法，該算法能夠

5、比較全面地挖掘結(jié)構(gòu)化工作流網(wǎng)模型中的各類隱含任務(wù)。通過(guò)理論分析和實(shí)驗(yàn)驗(yàn)證，該算法的正確性得到了證明。１問(wèn)題說(shuō)明過(guò)程挖掘通過(guò)對(duì)日志信息的分析來(lái)構(gòu)造過(guò)程模型。為了保證挖掘算法能夠最大限度地適用于各種形式的日志，絕大多數(shù)挖掘算法僅要求日志中包含下列3項(xiàng)內(nèi)容：①事件所屬的工作實(shí)例；②執(zhí)行事件的業(yè)務(wù)單元（任務(wù)標(biāo)識(shí)）；③事件發(fā)生的順序（處理時(shí)間）。因此，在分析過(guò)程挖掘算法時(shí)，為了簡(jiǎn)便起見(jiàn)，通常直接將日志寫(xiě)成諸如ａｂｃｄｅ，ａｂｃｄｆ，ａｃｂｄｅ，ａｃｂｄｆ的形式，其中每個(gè)字母代表一個(gè)任務(wù)，每個(gè)逗號(hào)隔開(kāi)的字母

6、序列代表一條日志實(shí)例。對(duì)該日志實(shí)例用算法進(jìn)行過(guò)程挖掘，就可以得到如圖１（ａ）所示的結(jié)構(gòu)化工作流網(wǎng)過(guò)程模型。在現(xiàn)實(shí)中，由于很多信息系統(tǒng)只對(duì)進(jìn)行實(shí)際業(yè)務(wù)操作的業(yè)務(wù)單元活動(dòng)進(jìn)行記錄，以及系統(tǒng)采用的過(guò)程建模工具本身的特性等各種原因，一些過(guò)程任務(wù)往往沒(méi)有被記錄在日志中。這種過(guò)程任務(wù)就是所謂的“隱含任務(wù)”?，F(xiàn)有的大多數(shù)算法無(wú)法正確處理包含隱含任務(wù)的日志。例如，假設(shè)圖１（ａ）中過(guò)程的任務(wù)ｄ是一個(gè)隱含任務(wù)，則得到的日志是ａｂｃｅ，ａｂｃｆ，ａｃｂｅ，ａｃｂｆ。用α算法挖掘?qū)⒌玫饺鐖D１（ｂ）所示的模型，它不是一個(gè)

7、合法的結(jié)構(gòu)化工作流網(wǎng)模型，而且相比原始模型，其結(jié)構(gòu)復(fù)雜，不容易為用戶所理解?，F(xiàn)有少數(shù)算法能夠挖掘部分類型的隱含任務(wù)，但都無(wú)法完全挖掘所有類型的隱含任務(wù)。例如，圖２給出了α＃算法能夠挖掘的幾種隱含任務(wù)，其中黑色方塊表示隱含任務(wù)。但它無(wú)法挖掘圖１（ａ）類型的隱含任務(wù)。因此，本文在綜合現(xiàn)有各種隱含任務(wù)挖掘方法的基礎(chǔ)上，結(jié)合結(jié)構(gòu)化工作流網(wǎng)本身的特性，提出了一種基于算法和結(jié)構(gòu)化工作流網(wǎng)的過(guò)程挖掘算法，該算法能夠比較全面地挖掘結(jié)構(gòu)化工作流網(wǎng)模型中的各類隱含任務(wù)。２結(jié)構(gòu)化工作流網(wǎng)中的隱含任務(wù)２．１結(jié)構(gòu)化工作流

8、網(wǎng)過(guò)程挖掘通過(guò)深入分析過(guò)程日志來(lái)構(gòu)造出過(guò)程模型。顯然，算法所使用的建模語(yǔ)言決定了算法能夠成功挖掘的過(guò)程及其日志的特性。目前，絕大多數(shù)過(guò)程挖掘算法都采用工作流網(wǎng)［１０］或者其子集作為建模語(yǔ)言，它是ｐｅｔｒｉ網(wǎng)的一個(gè)子集，具體定義如下：定義１（工作流網(wǎng)）工作流網(wǎng)ｎ為五元組（ｐ，ｔ，ｆ，ｉ，ｏ）。其中，ｐ為全體庫(kù)所集合，t為全體變遷集合，ｆ為全體邊集合，ｉ為輸入庫(kù)所，ｏ為輸出庫(kù)所。ｍｏ＝｛ｉ｝為工作流網(wǎng)的初始配置。結(jié)構(gòu)化工作流網(wǎng)是工作流網(wǎng)的各類子集中研究最多最深入的一種，其特點(diǎn)是不包含非自由選擇結(jié)構(gòu)，