CN110826909B - 一种基于规则集的工作流执行方法 - Google Patents

一种基于规则集的工作流执行方法 Download PDF

Info

Publication number
CN110826909B
CN110826909B CN201911075348.6A CN201911075348A CN110826909B CN 110826909 B CN110826909 B CN 110826909B CN 201911075348 A CN201911075348 A CN 201911075348A CN 110826909 B CN110826909 B CN 110826909B
Authority
CN
China
Prior art keywords
rule
activity
active node
attribute
activation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911075348.6A
Other languages
English (en)
Other versions
CN110826909A (zh
Inventor
邱小平
李娟�
游彬慈
兰聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201911075348.6A priority Critical patent/CN110826909B/zh
Publication of CN110826909A publication Critical patent/CN110826909A/zh
Application granted granted Critical
Publication of CN110826909B publication Critical patent/CN110826909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于规则集的工作流执行方法，包括以下步骤：采集工作流数据，构建活动规则库；采集输入活动节点X，在活动规则库中搜索输入活动节点X的相关活动规则，并计算输入活动节点X与其相关活动规则Rk的相似度Sk；根据相似度Sk，扫描相关活动节点规则Rk的后件部分活动节点的执行状态，获取激活规则集R*；通过相似度Sk计算激活规则集R*中活动规则的激活度wk(x)；根据激活度wk(x)计算输出活动节点Yi的综合置信度γi，获取综合规则Rr，工作流活动信息转移。本发明能够降低工作流运行的复杂度和资源消耗，且能为输入的活动节点选择出最优的传递路径。

Description

一种基于规则集的工作流执行方法
技术领域
本发明属于工作流管理领域，具体涉及一种基于规则集的工作流执行方法。
背景技术
工作流运行控制过程中的活动信息转移是工作流管理系统中的一个重要问题。研究工作流活动信息，不仅可以促进业务数据交换的顺畅度，提高工作流的自适应效率和工作流各活动节点之间协调度，而且可以减少由复杂的活动信息转移判断引发的延时和资源消耗问题。但是目前的工作流运行过程存在比较复杂和资源消耗较多的问题，且对于活动之间的有效衔接及信息传递强度的研究则较少。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于规则集的工作流执行方法解决了现有技术存在的比较复杂和资源消耗较多的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于规则集的工作流执行方法，包括以下步骤：
S1、采集工作流数据，构建活动规则库，并对规则库参数进行训练；
S2、采集输入活动节点X，在活动规则库中搜索输入活动节点X的相关活动规则，并计算输入活动节点X与其相关活动规则Rk的相似度Sk；
S3、根据相似度Sk，扫描相关活动节点规则Rk的后件部分活动节点的执行状态，获取激活规则集R*；
S4、通过相似度Sk获取激活规则集R*中活动规则的激活度wk(x)；
S5、通过激活度wk(x)计算输出活动节点Yi的综合置信度γi，获取综合规则Rr，实现工作流活动信息转移。
进一步地，所述步骤S1中活动规则库中活动规则为Rk：如果输入活动节点X为
Figure BDA0002262262720000021
则输出活动节点Yi为
Figure BDA0002262262720000022
其中，As表示输入活动节点X的第s属性，Bsj表示输入活动节点X的第s属性的第j个参考等级取值，
Figure BDA0002262262720000023
表示第k条规则中输入活动节点X关于第s个属性的第j个参考等级的置信度，Dih表示输出活动节点Yi的第h个属性，
Figure BDA0002262262720000024
表示输出活动节点Yi在第h个属性下的第m个参考取值等级，
Figure BDA0002262262720000025
表示第k条规则中输出活动节点Yi的第h个属性的第m个参考取值等级的结果置信度，s＝1,2,...,T，j＝1,2,...,Js，T表示输入活动节点X的属性总数，Js表示第k条规则中输入活动节点X中属性As下的参考取值等级总数。
进一步地，所述步骤S1中对活动规则库参数进行训练的具体步骤为：
A1、设置训练参数向量
Figure BDA0002262262720000026
A2、建立训练目标函数
Figure BDA0002262262720000027
为：
Figure BDA0002262262720000028
A3、设置初始迭代点
Figure BDA0002262262720000029
并令t＝0；
A4、对活动规则库参数结果置信度
Figure BDA00022622627200000210
进行降维，其降维计算公式为：
Figure BDA00022622627200000211
A5、获取降维的最大步长
Figure BDA00022622627200000212
其计算公式为：
Figure BDA00022622627200000213
且新迭代点满足以下要求：
Figure BDA0002262262720000031
A6、在新迭代点处训练出的活动规则库的参数值与实际观测数据之间的误差最小时，训练结束，训练结束的约束条件为：
Figure BDA0002262262720000032
其中，
Figure BDA0002262262720000033
表示活动规则库中第k条规则的输出活动节点Yi的第h属性下的第m参考取值等级的结果置信度，
Figure BDA0002262262720000034
θk表示活动节点规则的规则权重，θk∈[0,1]，
Figure BDA0002262262720000035
表示实际观测数据中第k条规则的活动节点Yi的第h属性下第m参考取值等级的结果置信度，m＝1,2,...,mG，mG为第G个属性的参考取值等级总数，t表示迭代次数，
Figure BDA0002262262720000036
表示新迭代点，
Figure BDA0002262262720000037
表示低维空间迭代点
Figure BDA0002262262720000038
处的导数，τih表示降维的步长，ε＝1×10-6，f表示二分法执行的次数；
Figure BDA0002262262720000039
表示在迭代点
Figure BDA00022622627200000310
处时，结果置信度
Figure BDA00022622627200000311
的值，
Figure BDA00022622627200000312
表示
Figure BDA00022622627200000313
在迭代点
Figure BDA00022622627200000314
处的导数，
Figure BDA00022622627200000315
表示在迭代点
Figure BDA00022622627200000316
处的函数值，
Figure BDA00022622627200000317
表示在迭代点
Figure BDA00022622627200000318
处的函数值，
Figure BDA00022622627200000319
表示在迭代点
Figure BDA00022622627200000320
处的函数值。
进一步地，所述第k条规则中输入活动节点X关于第s属性的第j个参考等级的置信度
Figure BDA0002262262720000041
采用以下公式计算：
Figure BDA0002262262720000042
其中，x(B*)表示输入活动节点X中属性As的输入值，bsj表示属性等级Bsj的效用值，bs(j+1)表示属性等级Bs(j+1)的效用值，
Figure BDA0002262262720000043
表示输入活动节点X关于第s属性的第q个参考等级的置信度。
进一步地，所述步骤S2中相似度Sk通过以下公式计算：
Figure BDA0002262262720000044
Sk＝1-Dk Sk∈[0，1]；
其中，Dk表示输入活动节点X与第k条规则之间的距离，asj表示输入活动节点X关于第s属性的第j个参考等级的置信度，
Figure BDA0002262262720000045
表示与活动规则库的规则对应的置信度。
进一步地，所述步骤S3包括以下分步骤：
S3.1、根据相似度Sk，扫描与输入活动节点X相关活动规则Rk的输出活动节点Yi，并依次判断相关活动规则Rk的活动节点状态Si；
S3.2、若活动节点状态Si为：准备执行，则将该条活动规则Rk存入激活规则集R*；若活动节点状态Si为：等待执行，则判断该条活动规则Rk是否满足执行条件，若是则将该条活动规则Rk存入激活规则集R*，否则舍弃该条活动规则Rk，得到激活规则集R*。
进一步地，所述步骤S4包括以下分步骤：
S4.1、将输入活动节点X的活动属性δs标准化；
S4.2、根据相似度Sk和标准化后的活动属性δs，计算激活规则集R*中的激活度wk(x)。
进一步地，所述活动属性δs标准化通过以下公式获取：
Figure BDA0002262262720000051
所述激活度wk(x)的计算公式为：
Figure BDA0002262262720000052
其中，_δs为第k条规则的标准化活动属性，θk为第k条规则的规则权重，θf为第f条规则的规则权重，L*为活动规则库中规则总数，Sf表示与输入活动节点Xf相关规则Rf的相似度，
Figure BDA0002262262720000059
为第z条规则的标准化活动属性。
进一步地，所述步骤S5中综合置信度γi通过以下步骤获取：
B1、获取第k条规则中的输出活动节点Yi对综合规则Rr的贡献程度函数mi,k，其计算公式为：
Figure BDA0002262262720000053
B2、获取综合规则Rr中为分配到任何节点的程度函数mYk，其计算公式为：
Figure BDA0002262262720000054
B3、获取激活规则重要性剩余部分函数
Figure BDA0002262262720000055
其计算公式为：
Figure BDA0002262262720000056
B4,、获取活动节点规则Rk的不完整程度函数
Figure BDA0002262262720000057
其计算公式为：
Figure BDA0002262262720000058
B5、根据贡献程度函数mi,k和程度函数mY,k，获取激活规则集R*中所有规则分配到输出活动节点的程度mi，其计算公式为：
Figure BDA0002262262720000061
B6、根据程度函数mY,k和激活规则重要性剩余部分函数
Figure BDA0002262262720000062
获取激活规则集R*所有规则的激活权重
Figure BDA0002262262720000063
其计算公式为：
Figure BDA0002262262720000064
B7、根据激活规则重要性剩余部分函数
Figure BDA0002262262720000065
获取激活规则集R*中所有规则的不完整程度
Figure BDA0002262262720000066
其计算公式为：
Figure BDA0002262262720000067
B8、根据
Figure BDA0002262262720000068
得到标准化常数λ为：
Figure BDA0002262262720000069
B9、根据
Figure BDA00022622627200000610
得到综合置信度γi为：
Figure BDA00022622627200000611
其中，G为输出活动节点Yi的属性总数，h＝1,2,...,G，mG为第G个属性的参考取值等级总数，m＝1,2,...,mG，n为输出活动节点Yi的总数，i＝1,2,...,(n-1)，E为激活规则集R*中激活规则总数，k＝1,2,...,E。
进一步地，所述综合规则表示为Rr：如果输入活动节点X为
Figure BDA00022622627200000612
则综合目标Z为{Yi,γi}。
本发明的有益效果为：
(1)本发明提出将置信规则放入工作流的活动转移过程，以一个数学模型框架来刻画工作流信息传递。促进业务数据交换的顺畅度，提高工作流的自适应效率和工作流各活动节点之间协调度。
(2)本发明可以减少由复杂的活动信息转移判断引发的延时和资源消耗问题，不仅避免了多层嵌套循环复杂度，而且能够为活动节点找出最优的转移方式。
附图说明
图1为本发明提出的一种基于规则集的工作流执行方法。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示，一种基于规则集的工作流执行方法，包括以下步骤：
S1、采集工作流数据，构建活动规则库，并对规则库参数进行训练；
S2、采集输入活动节点X，在活动规则库中搜索输入活动节点X的相关活动规则，并计算输入活动节点X与其相关活动规则Rk的相似度Sk；
S3、根据相似度Sk，扫描相关活动节点规则Rk的后件部分活动节点的执行状态，获取激活规则集R*；
S4、通过相似度Sk获取激活规则集R*中活动规则的激活度wk(x)；
S5、通过激活度wk(x)计算输出活动节点Yi的综合置信度γi，获取综合规则Rr，实现工作流活动信息转移。
步骤S1中活动规则库中活动规则为Rk：如果输入活动节点X为
Figure BDA0002262262720000071
则输出活动节点Yi为
Figure BDA0002262262720000072
其中，As表示输入活动节点X的第s属性，Bsj表示输入活动节点X的第s属性的第j个参考等级取值，
Figure BDA0002262262720000081
表示第k条规则中输入活动节点X关于第s个属性的第j个参考等级的置信度，Dih表示输出活动节点Yi的第h个属性，
Figure BDA0002262262720000082
表示输出活动节点Yi在第h个属性下的第m个参考取值等级，
Figure BDA0002262262720000083
表示第k条规则中输出活动节点Yi的第h个属性的第m个参考取值等级的结果置信度，s＝1,2,...,T，j＝1,2,...,Js，T表示输入活动节点X的属性总数，Js表示第k条规则中输入活动节点X中属性As下的参考取值等级总数。
所述步骤S1中对活动规则库参数进行训练的具体步骤为：
A1、设置训练参数向量
Figure BDA0002262262720000084
A2、建立训练目标函数
Figure BDA0002262262720000085
为：
Figure BDA0002262262720000086
A3、设置初始迭代点
Figure BDA0002262262720000087
并令t＝0；
A4、对活动规则库参数结果置信度
Figure BDA0002262262720000088
进行降维，其降维计算公式为：
Figure BDA0002262262720000089
A5、获取降维的最大步长
Figure BDA00022622627200000810
其计算公式为：
Figure BDA00022622627200000811
且新迭代点满足以下要求：
Figure BDA0002262262720000091
A6、在新迭代点处训练出的活动规则库的参数值与实际观测数据之间的误差最小时，训练结束，训练结束的约束条件为：
Figure BDA0002262262720000092
其中，
Figure BDA0002262262720000093
表示活动规则库中第k条规则的输出活动节点Yi的第h属性下的第m参考取值等级的结果置信度，
Figure BDA0002262262720000094
θk表示活动节点规则的规则权重，θk∈[0,1]，
Figure BDA0002262262720000095
表示实际观测数据中第k条规则的活动节点Yi的第h属性下第m参考取值等级的结果置信度，m＝1,2,...,mG，mG为第G个属性的参考取值等级总数，t表示迭代次数，
Figure BDA0002262262720000096
表示新迭代点，
Figure BDA0002262262720000097
表示低维空间迭代点
Figure BDA0002262262720000098
处的导数，τih表示降维的步长，ε＝1×10-6，f表示二分法执行的次数；
Figure BDA0002262262720000099
表示在迭代点
Figure BDA00022622627200000910
处时，结果置信度
Figure BDA00022622627200000911
的值，
Figure BDA00022622627200000912
表示
Figure BDA00022622627200000913
在迭代点
Figure BDA00022622627200000914
处的导数，
Figure BDA00022622627200000915
表示在迭代点
Figure BDA00022622627200000916
处的函数值，
Figure BDA00022622627200000917
表示在迭代点
Figure BDA00022622627200000918
处的函数值，
Figure BDA00022622627200000919
表示在迭代点
Figure BDA00022622627200000920
处的函数值。
所述第k条规则中输入活动节点X关于第s属性的第j个参考等级的置信度
Figure BDA0002262262720000101
采用以下公式计算：
Figure BDA0002262262720000102
其中，x(B*)表示输入活动节点X中属性As的输入值，bsj表示属性等级Bsj的效用值，bs(j+1)表示属性等级Bs(j+1)的效用值，
Figure BDA0002262262720000103
表示输入活动节点X关于第s属性的第q个参考等级的置信度。
所述步骤S2中相似度Sk通过以下公式计算：
Figure BDA0002262262720000104
Dk∈[0,1]；
Sk＝1-Dk Sk∈[0，1]；
其中，Dk表示输入活动节点X与第k条规则之间的距离，asj表示输入活动节点X关于第s属性的第j个参考等级的置信度，
Figure BDA0002262262720000105
表示与活动规则库的规则对应的置信度。
所述步骤S3包括以下分步骤：
S3.1、根据相似度Sk，扫描与输入活动节点X相关活动规则Rk的输出活动节点Yi，并依次判断相关活动规则Rk的活动节点状态Si；
S3.2、若活动节点状态Si为：准备执行，则将该条活动规则Rk存入激活规则集R*；若活动节点状态Si为：等待执行，则判断该条活动规则Rk是否满足执行条件，若是则将该条活动规则Rk存入激活规则集R*，否则舍弃该条活动规则Rk，得到激活规则集R*。
在本实施例中，若活动节点状态Si为：已执行，则舍弃该条活动规则Rk；若活动节点状态Si为：正在执行、挂起或执行完毕提交，则将该条活动规则Rk存入执行规则集R#。
在本实施例中，输入活动节点X的执行需要使用A原料，则步骤S3.5具体为：若活动节点状态Si为：等待执行，则判断A原料在仓库中的存储值是否大于或等于标准值，若是则该条活动规则Rk满足执行条件，并将该条活动规则Rk存入激活规则集R*，否则舍弃该条活动规则Rk。
所述步骤S4包括以下分步骤：
S4.1、将输入活动节点X的活动属性δs标准化；
S4.2、根据相似度Sk和标准化后的活动属性δs，计算激活规则集R*中的激活度wk(x)。
所述活动属性δs标准化通过以下公式获取：
Figure BDA0002262262720000111
所述激活度wk(x)的计算公式为：
Figure BDA0002262262720000112
其中，
Figure BDA0002262262720000113
为第k条规则的标准化活动属性，θk为第k条规则的规则权重，θf为第f条规则的规则权重，L*为活动规则库中规则总数，Sf表示与输入活动节点Xf相关规则Rf的相似度，
Figure BDA0002262262720000114
为第z条规则的标准化活动属性。
所述步骤S5中综合置信度γi通过以下步骤获取：
B1、获取第k条规则中的输出活动节点Yi对综合规则Rr的贡献程度函数mi,k，其计算公式为：
Figure BDA0002262262720000115
B2、获取综合规则Rr中为分配到任何节点的程度函数mY,k，其计算公式为：
Figure BDA0002262262720000121
B3、获取激活规则重要性剩余部分函数
Figure BDA0002262262720000122
其计算公式为：
Figure BDA0002262262720000123
B4,、获取活动节点规则Rk的不完整程度函数
Figure BDA0002262262720000124
其计算公式为：
Figure BDA0002262262720000125
B5、根据贡献程度函数mi,k和程度函数mY,k，获取激活规则集R*中所有规则分配到输出活动节点的程度mi，其计算公式为：
Figure BDA0002262262720000126
B6、根据程度函数mY,k和激活规则重要性剩余部分函数
Figure BDA0002262262720000127
获取激活规则集R*所有规则的激活权重
Figure BDA0002262262720000128
其计算公式为：
Figure BDA0002262262720000129
B7、根据激活规则重要性剩余部分函数
Figure BDA00022622627200001210
获取激活规则集R*中所有规则的不完整程度
Figure BDA00022622627200001211
其计算公式为：
Figure BDA00022622627200001212
B8、根据
Figure BDA00022622627200001213
得到标准化常数λ为：
Figure BDA00022622627200001214
B9、根据
Figure BDA00022622627200001215
得到综合置信度γi为：
Figure BDA00022622627200001216
其中，G为输出活动节点Yi的属性总数，h＝1,2,...,G，mG为第G个属性的参考取值等级总数，m＝1,2,...,mG，n为输出活动节点Yi的总数，i＝1,2,...,(n-1)，E为激活规则集R*中激活规则总数，k＝1,2,...,E。
所述综合规则表示为Rr：如果输入活动节点X为
Figure BDA0002262262720000131
则综合目标Z为{Yi,γi}。
本发明提出将置信规则放入工作流的活动转移过程，以一个数学模型框架来刻画工作流信息传递。促进业务数据交换的顺畅度，提高工作流的自适应效率和工作流各活动节点之间协调度。本发明可以减少由复杂的活动信息转移判断引发的延时和资源消耗问题，不仅避免了多层嵌套循环复杂度，而且能够为活动节点找出最优的转移方式。

Claims (4)

1.一种基于规则集的工作流执行方法，其特征在于，包括以下步骤：
S1、采集工作流数据，构建活动规则库，并对规则库参数进行训练；
S2、采集输入活动节点X，在活动规则库中搜索输入活动节点X的相关活动规则，并计算输入活动节点X与其相关活动规则Rk的相似度Sk；
S3、根据相似度Sk，扫描相关活动规则Rk的后件部分活动节点的执行状态，获取激活规则集R*；
S4、通过相似度Sk获取激活规则集R*中活动规则的激活度wk(x)；
S5、通过激活度wk(x)计算输出活动节点Yi的综合置信度γi，获取综合规则Rr，实现工作流活动信息转移；
所述步骤S1中活动规则库中活动规则为Rk：如果输入活动节点X为
Figure FDA0003332346590000011
则输出活动节点Yi为
Figure FDA0003332346590000012
其中，As表示输入活动节点X的第s属性，Bsj表示输入活动节点X的第s属性的第j个参考等级取值，
Figure FDA0003332346590000013
表示第k条规则中输入活动节点X关于第s个属性的第j个参考等级的置信度，Dih表示输出活动节点Yi的第h个属性，
Figure FDA0003332346590000014
表示输出活动节点Yi在第h个属性下的第m个参考取值等级，
Figure FDA0003332346590000015
表示第k条规则中输出活动节点Yi的第h个属性的第m个参考取值等级的结果置信度，s＝1,2,...,T，j＝1,2,...,Js，T表示输入活动节点X的属性总数，Js表示第k条规则中输入活动节点X中属性As下的参考取值等级总数；
所述步骤S1中对活动规则库参数进行训练的具体步骤为：
A1、设置训练参数向量
Figure FDA0003332346590000016
A2、建立训练目标函数
Figure FDA0003332346590000017
为：
Figure FDA0003332346590000021
A3、设置初始迭代点
Figure FDA0003332346590000022
并令t＝0；
A4、对活动规则库参数结果置信度
Figure FDA0003332346590000023
进行降维，其降维计算公式为：
Figure FDA0003332346590000024
A5、获取降维的最大步长
Figure FDA0003332346590000025
其计算公式为：
Figure FDA0003332346590000026
且新迭代点满足以下要求：
Figure FDA0003332346590000027
A6、在新迭代点处训练出的活动规则库的参数值与实际观测数据之间的误差最小时，训练结束，训练结束的约束条件为：
Figure FDA0003332346590000031
其中，
Figure FDA0003332346590000032
表示活动规则库中第k条规则的输出活动节点Yi的第h属性下的第m参考取值等级的结果置信度，
Figure FDA0003332346590000033
θk表示活动规则的规则权重，θk∈[0,1]，
Figure FDA0003332346590000034
表示实际观测数据中第k条规则的活动节点Yi的第h属性下第m参考取值等级的结果置信度，m＝1,2,...,mG，mG为第G个属性的参考取值等级总数，t表示迭代次数，
Figure FDA0003332346590000035
表示新迭代点，
Figure FDA0003332346590000036
表示低维空间迭代点
Figure FDA0003332346590000037
处的导数，τih表示降维的步长，ε＝1×10-6，f表示二分法执行的次数；
Figure FDA0003332346590000038
表示在迭代点
Figure FDA0003332346590000039
处时，结果置信度
Figure FDA00033323465900000310
的值，
Figure FDA00033323465900000311
表示
Figure FDA00033323465900000312
在迭代点
Figure FDA00033323465900000313
处的导数，
Figure FDA00033323465900000314
表示在迭代点
Figure FDA00033323465900000315
处的函数值，
Figure FDA00033323465900000316
表示在迭代点
Figure FDA00033323465900000317
处的函数值，
Figure FDA00033323465900000318
表示在迭代点
Figure FDA00033323465900000319
处的函数值；
所述步骤S3包括以下分步骤：
S3.1、根据相似度Sk，扫描与输入活动节点X相关活动规则Rk的输出活动节点Yi，并依次判断相关活动规则Rk的活动节点状态Si；
S3.2、若活动节点状态Si为：准备执行，则将该条活动规则Rk存入激活规则集R*；若活动节点状态Si为：等待执行，则判断该条活动规则Rk是否满足执行条件，若是则将该条活动规则Rk存入激活规则集R*，否则舍弃该条活动规则Rk，得到激活规则集R*；
所述步骤S4包括以下分步骤：
S4.1、将输入活动节点X的活动属性δs标准化；
S4.2、根据相似度Sk和标准化后的活动属性δs，计算激活规则集R*中的激活度wk(x)；
所述活动属性δs标准化通过以下公式获取：
Figure FDA0003332346590000041
所述激活度wk(x)的计算公式为：
Figure FDA0003332346590000042
其中，
Figure FDA0003332346590000043
为第k条规则的标准化活动属性，θk为第k条规则的规则权重，θf为第f条规则的规则权重，L*为活动规则库中规则总数，Sf表示与输入活动节点Xf相关规则Rf的相似度，
Figure FDA0003332346590000044
为第z条规则的标准化活动属性；
所述步骤S5中综合置信度γi通过以下步骤获取：
B1、获取第k条规则中的输出活动节点Yi对综合规则Rr的贡献程度函数mi,k，其计算公式为：
Figure FDA0003332346590000045
B2、获取综合规则Rr中为分配到任何节点的程度函数mY,k，其计算公式为：
Figure FDA0003332346590000046
B3、获取激活规则重要性剩余部分函数
Figure FDA0003332346590000047
其计算公式为：
Figure FDA0003332346590000048
B4,、获取活动规则Rk的不完整程度函数
Figure FDA0003332346590000049
其计算公式为：
Figure FDA00033323465900000410
B5、根据贡献程度函数mi,k和程度函数mY,k，获取激活规则集R*中所有规则分配到输出活动节点的程度mi，其计算公式为：
Figure FDA00033323465900000411
B6、根据程度函数mY,k和激活规则重要性剩余部分函数
Figure FDA0003332346590000051
获取激活规则集R*所有规则的激活权重
Figure FDA0003332346590000052
其计算公式为：
Figure FDA0003332346590000053
B7、根据激活规则重要性剩余部分函数
Figure FDA0003332346590000054
获取激活规则集R*中所有规则的不完整程度
Figure FDA0003332346590000055
其计算公式为：
Figure FDA0003332346590000056
B8、根据
Figure FDA0003332346590000057
得到标准化常数λ为：
Figure FDA0003332346590000058
B9、根据
Figure FDA0003332346590000059
得到综合置信度γi为：
Figure FDA00033323465900000510
其中，G为输出活动节点Yi的属性总数，h＝1,2,...,G，mG为第G个属性的参考取值等级总数，m＝1,2,...,mG，n为输出活动节点Yi的总数，i＝1,2,...,(n-1)，E为激活规则集R*中激活规则总数，k＝1,2,...,E。
2.根据权利要求1所述的一种基于规则集的工作流执行方法，其特征在于，所述第k条规则中输入活动节点X关于第s属性的第j个参考等级的置信度
Figure FDA00033323465900000511
采用以下公式计算：
Figure FDA00033323465900000512
其中，x(B*)表示输入活动节点X中属性As的输入值，bsj表示属性等级Bsj的效用值，bs(j+1)表示属性等级Bs(j+1)的效用值，
Figure FDA0003332346590000061
表示输入活动节点X关于第s属性的第q个参考等级的置信度。
3.根据权利要求1所述的一种基于规则集的工作流执行方法，其特征在于，所述步骤S2中相似度Sk通过以下公式计算：
Figure FDA0003332346590000062
Sk＝1-Dk Sk∈[0，1]；
其中，Dk表示输入活动节点X与第k条规则之间的距离，asj表示输入活动节点X关于第s属性的第j个参考等级的置信度，
Figure FDA0003332346590000063
表示与活动规则库的规则对应的置信度。
4.根据权利要求1所述的一种基于规则集的工作流执行方法，其特征在于，所述综合规则表示为Rr：如果输入活动节点X为
Figure FDA0003332346590000064
则综合目标Z为{Yi,γi}。
CN201911075348.6A 2019-11-06 2019-11-06 一种基于规则集的工作流执行方法 Active CN110826909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911075348.6A CN110826909B (zh) 2019-11-06 2019-11-06 一种基于规则集的工作流执行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075348.6A CN110826909B (zh) 2019-11-06 2019-11-06 一种基于规则集的工作流执行方法

Publications (2)

Publication Number Publication Date
CN110826909A CN110826909A (zh) 2020-02-21
CN110826909B true CN110826909B (zh) 2022-04-29

Family

ID=69552860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075348.6A Active CN110826909B (zh) 2019-11-06 2019-11-06 一种基于规则集的工作流执行方法

Country Status (1)

Country Link
CN (1) CN110826909B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392099A (zh) * 2021-07-01 2021-09-14 苏州维众数据技术有限公司 一种自动化的数据清洗方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5226110A (en) * 1991-03-29 1993-07-06 The United States Of America As Represened By The Administrator Of The National Aeronautics And Space Administration Parallel inferencing method and apparatus for rule-based expert systems
CN106407513A (zh) * 2016-08-31 2017-02-15 昆明理工大学 一种水松纸透气度检测过程的优化方法
CN109655393A (zh) * 2018-12-12 2019-04-19 昆明理工大学 一种基于置信规则库的水松纸透气度检测方法
CN110132603A (zh) * 2019-05-16 2019-08-16 杭州电子科技大学 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7299244B2 (en) * 2002-12-10 2007-11-20 Hewlett-Packard Development Company, L.P. System and method for dynamic sequencing of a requirements-based workflow

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5226110A (en) * 1991-03-29 1993-07-06 The United States Of America As Represened By The Administrator Of The National Aeronautics And Space Administration Parallel inferencing method and apparatus for rule-based expert systems
CN106407513A (zh) * 2016-08-31 2017-02-15 昆明理工大学 一种水松纸透气度检测过程的优化方法
CN109655393A (zh) * 2018-12-12 2019-04-19 昆明理工大学 一种基于置信规则库的水松纸透气度检测方法
CN110132603A (zh) * 2019-05-16 2019-08-16 杭州电子科技大学 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于置信规则库的应急方案生成方法;张恺;《福建工程学院学报》;20151225(第06期);全文 *

Also Published As

Publication number Publication date
CN110826909A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
Huang et al. An effective ant colony optimization algorithm for multi-objective job-shop scheduling with equal-size lot-splitting
CN101216710A (zh) 一种由计算机实现的自适应选择动态生产调度控制系统
CN107770365A (zh) 一种基于Android的多特征APP流预测及推荐方法
CN111639793A (zh) 一种锅炉群组调度优化方法及装置
CN112947300A (zh) 一种加工质量虚拟量测方法、系统、介质及设备
Jiang et al. A method for discrete stochastic MADM problems based on the ideal and nadir solutions
Yuan et al. Modelling and pathway identification involving the transport mechanism of a complex metabolic system in batch culture
CN110826909B (zh) 一种基于规则集的工作流执行方法
CN115759552A (zh) 一种基于多智能体架构的面向智慧工厂的实时调度方法
Chou et al. Comparison of AHP and fuzzy AHP methods for human resources in science technology (HRST) performance index selection
CN117331700B (zh) 一种算力网络资源调度系统及方法
Chen Estimating job cycle time in a wafer fabrication factory: A novel and effective approach based on post-classification
CN114237838A (zh) 基于自适应损失函数加权的多任务模型训练方法
CN113506048A (zh) 一种柔性作业车间的调度方法
CN113032367A (zh) 面向动态负载场景的大数据系统跨层配置参数协同调优方法和系统
Liu et al. Predicting purchase orders delivery times using regression models with dimension reduction
Wang Enhanced differential evolution with generalised opposition–based learning and orientation neighbourhood mining
CN112199518B (zh) 生产技术中知识图谱推荐驱动的生产技术路线图配置方法
CN114049162B (zh) 模型训练方法、需求量预测方法、装置、设备和存储介质
CN114862243A (zh) 用于辅助决策的数据处理方法和装置
CN113706285A (zh) 一种信用卡欺诈检测方法
Masood et al. Genetic programming hyper-heuristic with gaussian process-based reference point adaption for many-objective job shop scheduling
Ding et al. High generalization performance structured self-attention model for knapsack problem
CN112580797A (zh) 一种多模态多标签预测模型的增量学习方法
Zhong et al. Sequencing problem for a hull mixed-model assembly line considering manufacturing complexity

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant