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 PDFInfo
- 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
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
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。
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,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,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,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:
且新迭代点满足以下要求:
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:
其中,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,θk表示活动节点规则的规则权重,θk∈[0,1],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,表示新迭代点,表示低维空间迭代点处的导数,τih表示降维的步长,ε=1×10-6,f表示二分法执行的次数;表示在迭代点处时,结果置信度的值,表示在迭代点处的导数,表示在迭代点处的函数值,表示在迭代点处的函数值,表示在迭代点处的函数值。
进一步地,所述步骤S2中相似度Sk通过以下公式计算:
Sk=1-Dk Sk∈[0,1];
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:
所述激活度wk(x)的计算公式为:
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,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:
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:
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:
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。
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。
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,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,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,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:
且新迭代点满足以下要求:
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:
其中,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,θk表示活动节点规则的规则权重,θk∈[0,1],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,表示新迭代点,表示低维空间迭代点处的导数,τih表示降维的步长,ε=1×10-6,f表示二分法执行的次数;表示在迭代点处时,结果置信度的值,表示在迭代点处的导数,表示在迭代点处的函数值,表示在迭代点处的函数值,表示在迭代点处的函数值。
所述步骤S2中相似度Sk通过以下公式计算:
Sk=1-Dk Sk∈[0,1];
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:
所述激活度wk(x)的计算公式为:
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:
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:
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:
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。
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;
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,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,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,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:
且新迭代点满足以下要求:
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:
其中,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,θk表示活动规则的规则权重,θk∈[0,1],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,表示新迭代点,表示低维空间迭代点处的导数,τih表示降维的步长,ε=1×10-6,f表示二分法执行的次数;表示在迭代点处时,结果置信度的值,表示在迭代点处的导数,表示在迭代点处的函数值,表示在迭代点处的函数值,表示在迭代点处的函数值;
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:
所述激活度wk(x)的计算公式为:
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:
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:
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:
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。
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)
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)
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)
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 |
-
2019
- 2019-11-06 CN CN201911075348.6A patent/CN110826909B/zh active Active
Patent Citations (4)
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)
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 |