CN111027189A - 基于设计信息模型的工作流模型推荐方法 - Google Patents
基于设计信息模型的工作流模型推荐方法 Download PDFInfo
- Publication number
- CN111027189A CN111027189A CN201911191375.XA CN201911191375A CN111027189A CN 111027189 A CN111027189 A CN 111027189A CN 201911191375 A CN201911191375 A CN 201911191375A CN 111027189 A CN111027189 A CN 111027189A
- Authority
- CN
- China
- Prior art keywords
- model
- design information
- workflow
- similarity
- attribute
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims abstract description 3
- 230000002068 genetic effect Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013523 data management Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000010076 replication Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012938 design process Methods 0.000 abstract description 6
- 238000012356 Product development Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 238000004904 shortening Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于设计信息模型的工作流模型推荐方法,将设计文档,设计信息,设计过程和推荐算法四部分构建成三个模型,这三个模型共同构成了所述工作流模型推荐算法方法。三个模型分别是设计信息模型,工作流模型,推荐算法的数学模型。设计信息模型本体包含设计文档的各类设计信息,如基本属性、操作属性和语义属性等,而这些设计信息可以由工作流模型映射得到。工作流模型包含的基本实体为流程、任务、资源、资源中的实体角色和组织,以及工作流中的业务产物。推送算法的数学模型由实体节点的相似度计算方法,最优权重向量搜索方法和本体匹配的相似性集成方法组成。该方法对提高工程师的工作效率,缩短产品研制生命周期以及推动企业信息化发展具有重要的价值意义。
Description
技术领域
本发明涉及推荐领域,具体地一种基于设计信息模型的工作流模型推荐方法。
背景技术
随着业务过程管理技术在产品设计中的广泛应用,PDM(Product DataManagement)中业务流程和产品种类数量的增长速度将远远超出设计人员的处理速度,使得企业面临业务流程管理和产品数据管理的困难。在设计文档进入业务流程时,为了提高设计文档进入工作流模型的效率,使工程师专注于产品设计和设计信息的完善,这就需要为设计文档推荐合适的工作流模型,因此工作流模型推荐的准确率和效率显得尤为重要。在美国自然科学基金会(NSF)于 2009年5月专门组织全球BPM领域领军专家召开的“以数据为中心的业务过程”会议报告中,提出以数据为中心的工作流(data-centric workflow)已成为业务过程管理领域新的研究趋势。而目前业务过程管理技术侧重于设计过程执行,而于设计相关的数据往往作为附属产物存在,其管理和应用潜力并未得到充分挖掘。因此,以数据为中心的工作流相关研究,将业务过程研究的聚焦点从设计过程执行转移到设计数据如何应用于工作流相关研究,对学术研究和工程应用都有着重要的价值意义。
在工程师为设计文档选择工作流模型的实际过程中,由于业务流程繁多且复杂以及新工程师对业务熟悉程度的较低,工程师面临选择困难、选择错误、操作失误和操作麻烦等问题。这些问题容易让原本应专注产品设计的工程师分散精力去处理产品设计以外的工作,进而容易忽视设计信息的完整性和规范化以及造成人力的浪费,不利于产品设计信息的管理和后续产品设计工作的进行。而设计信息命名规范化能够提高产品数据管理水平,比如有利于文件分类管理,即可以帮助工程师快速查找相关文件、确保设计信息的一致性等。因此,研究如何利用设计信息为设计文档推荐工作流模型具有重要的现实意义。
目前国内外研究机构在设计方面以数据为中心的工作流研究主要集中在工作流设计,设计知识和工作流资源分配,并且这三方面的研究已经取得了一定的成果。在设计知识过程中的知识推荐,主要是根据设计过程中的设计任务去匹配相应的设计知识即设计文档,而在设计时,如何帮助设计文档匹配到合适的设计过程的有关研究较少。同时,现有工作流推荐有关方面的研究较少涉及设计数据和工作流模型应用,更少有基于设计信息的工作流模型推荐方面的应用。
发明内容
本发明针对产品设计信息缺乏明确分类和统一描述和设计文档的工作流模型推荐问题,创新性地提出一种基于设计信息模型的本体匹配的工作流模型推荐方法,并将其应用于设计文档的工作流模型推荐和产品数据的完善,对提高工程师的工作效率,缩短产品研制生命周期以及推动企业信息化发展具有重要的价值意义。
本发明所设计的基于设计信息模型的工作流模型推荐方法,其特征在于:
该方法包括以下步骤:
步骤1:将产品数据管理(Product data management,PDM)系统中设计信息按照操作数据对象的主体行为和数据之间的关联关系进行划分,以此为依据构建设计信息模型;
步骤2:建立的设计信息模型与工作流实体的映射关系,构建基于工作流的设计信息本体模型;
步骤3:基于元素层面的本体实例节点相似性计算;
步骤4:设计信息间的最终相似度值求解,两个设计信息间的最终相似度值通过组合语义相似度和结构相似度来获得;
步骤5:基于工作流模型选择历史的最优权重向量搜索;
步骤6:根据步骤5所求的相似度,得到工作流模型推荐列表,用以对工作流模型的推荐。
进一步地,所述步骤1中设计信息划分类型包括基本属性类、操作属性类、语义属性类、形态属性类和关联属性类;
其中:所述基本属性类指数据对象的一般属性类别,包括文件属性、源属性和权限属性;
所述操作属性类指操作主体在创建、修改、使用数据对象过程中产生的属性类别,是联系非结构化数据和结构化数据的纽带之一,包括任务属性、交互信息属性和访问文件属性;
所述语义属性类指与数据对象内容、含义相关的属性类别,包括主题属性和内容属性;
所述形态属性类指与数据对象的数据类型相对应的属性类别,包括选取三维模型属性、工程图纸属性、设计文档属性和工艺卡片属性;
所述关联属性类指数据对象与数据库中其他结构化数据、非结构化数据、半结构化数据以及产品零部件的关联关系属性类别,包括功能相关属性、结构相关属性、内容相似属性和来源相同属性。
进一步地,所述步骤2中将设计信息模型与工作流实体建立映射,以构建基于工作流的设计信息本体模型,该模型是一种分层结构,该分层结构上层为通用基于工作流的设计信息本体模型,下层为扩展本体模型,所述上层的模型是基于工作流的设计信息的主要框架,一般处于稳定状态,只有较小的改动;所述下层的模型则包含了详细的设计者、操作权限和文档基本内容等详细业务内容。
进一步地,所述步骤3的具体过程如下:
步骤3.1,目标类型与指定规则字符串匹配;
1):待匹配字段T与规则库进行匹配,得出相应的设计信息命名规则,即条件字符串T’,长度为N2;目标字段S统一转为字符串S’,长度为N1,所述规则库中的值都是由字符“%”和命名规则字符串S组成;
2):将字符串S’与字符串T’(不包含通配符)左对齐,与字符串S’的对应字符进行相似度计算,当相似度为0时把字符串T’每向右移动一位字符,就在字符串T’前插入一个空格,再继续匹配;当相似度值为1时,则对当前条件字符串 T’进行判断;如果当通配符在初始条件字符串T’结尾,则转3);当通配符在初始条件字符串T’开头,则转4);如果字符串T’的前后都包含通配符,则返回相似度值1;
3):当通配符在字符串T’结尾,判断当前字符串T’的长度是否等于N2,如果相等则返回相似度值1,否则继续匹配;
4):当通配符在字符串T’开头,判断当前字符串T’的长度是否等于N1,如果相等则返回相似度值1,否则继续匹配;如果匹配完时相似度值不为1,则返回相似度值0;
步骤3.2,字符串类型与无指定规则字符串匹配,无指定规则字符串相似度计算公式如下:
步骤3.3,对象类型/布尔类型/数值类型匹配,对象类型匹配条件为文件类型、材料明细表类型等,当匹配类型为对象类型,布尔类型或者数值类型的时候,判断目标字段S与待匹配字段T是否相同,如果是,则相似度记为1;否则记为0;
步骤3.4,日期类型匹配,
基于时效性原则,本发明定义日期匹配的相似度计算公式如下:
步骤4,设计信息间的综合相似度值求解。两个设计信息间的综合相似度通过组合上述所提的语义相似度方法和传统的结构相似度来获得,其中结构相似度通过计算两个概念词连通路径上每条边的类型差异性,则相似度计算公式为:Sim(M1,M2)=α×Simo(M1,M2)+(1-α)Simstruct(M1,M2)。
其中,α为权重调节因子,由管理人员根据企业实际情况取值,且取值范围为α∈[0,1],而o为指定规则字符串类型、无指定规则字符串类型、对象类型或者日期类型。进一步地,所述步骤5的具体过程如下:
步骤5.1,以工作流模型选择历史为训练数据集和以匹配的准确度为推荐指标,以构建多目标优化模型,令工作流模型选择历史集合表示为 H=Inst(OW)'×Inst(OD)×Inst(OW)″,其中Inst(OW)'、Inst(OD)和Inst(OW)″分别为工作流模型推荐、文件对象和工作流模型所选择的集合;多目标优化模型表达如下:
式中:x∈Rm为带有m个决策变量的向量,组成决策空间则表示为x= (w1,w2,…,wm);y∈Rq为带有q个目标函数的向量,组成目标空间;
步骤5.2,多目标优化求解算法:
1)初始化,产生M个个体的种群,遗传代次为g=1;
2)计算多个目标函数值,对目标空间和决策空间进行非支配排序,首先在目标空间中,根据受支配程度对目标函数值进行非支配排序,划分为若干等级,即对非支配解目标记顺序1;然后从目标空间中移出,在余下的目标值中再寻找非支配解并将其标记为顺序2;依次类推,直到所有目标函数值都完成排序;
3)对种群分配虚拟适应度值,根据排序的序号,给每一个等级的个体分配一个适应度值,具有相同排序的非支配解分配相同的适应度值,使其获得相同复制概率;
4)记忆前N个个体,保存在外部解集,根据上节排序结果,将排序靠前的 N个个体是较为优良的个体,采用精英保留策略,将其作为优秀的非支配解保存在一个外部存储空间中,然后将排序后的群体进行新一轮遗传操作,产生的新种群与外部存储空间中的N个优秀个体结合,作为下一步遗传操作的新群体,其中优良个体个数N根据种群的大小进行适当选择;本发明中取种群大小的5%到20%。
5)对M+N个目标函数向量进行小生境淘汰运算,把目标空间中的目标函数值看作q维空间中的向量,以向量模(即与原点的欧式距离)作为个体适应度函数值;
6)对M+N个个体的种群进行非支配排序,采用步骤5.2的2)中计算多个目标函数值方法对M+N个个体种群进行非支配排序;
7)校验是否达到最大遗传代数,如果达到,结束计算并输出非支配解集;否则记忆前M个个体和g=g+1,并返回至步骤5.2的5),进行下一轮计算;
步骤5.3,根据步骤5.2所求权重向量与步骤3所求的相似度进行集成,以求得本体匹配的相似度,集成得到的相似度计算公式为:
本发明和现有技术相比,具有的有益效果是:
发明将设计文档,设计信息,设计过程和推荐算法四部分构建成三个模型,这三个模型共同构成了所述工作流模型推荐算法方法。三个模型分别是设计信息模型,工作流模型,推荐算法的数学模型。
本发明方法通过设计中有关设计信息的建模,实现工作流模型推荐,可以有效地提高设计人员选择工作流模型的效率,保证设计信息的完整性和规范化以及提升企业产品数据管理水平;
在本体匹配的过程中,本发明方法不仅考虑普通文本的相似度计算,还考虑数值类型,时间类型以及规则字符串类型等。通过充分挖掘和利用设计信息的类型,可以有效地提高工作流模型推荐准确率和正确率。
在本体匹配的过程中,本发明方法通过提出对目标优化问题的求解,并以工作流模型选择历史的最优权重向量搜索,以期能够客观地求得本体匹配的最优相似度向量。
附图说明
图1工作流模型推荐方法框架。
图2工作流本体模型以及与设计信息的映射关系图。
图3基于工作流和本体的设计信息模型图。
图4部分设计文件库主要概念关系图。
图5模型A与B设计信息模型语义描述图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
本发明所采用的技术方案是:一种基于设计信息本体模型的工作流模型推荐方法,如附图1所示,按照以下步骤实施:
步骤1,将PDM系统中设计信息划分为基本属性类(BasicAttr),操作属性类(OperationAttr),语义属性类(SemanticAttr),形态属性类(FormatAttr) 和关联属性类(RelationAttr),以此为依据构建设计信息模型,并使该模型与工作流模型映射(见附图2)。
所述基本属性类指数据对象的一般属性类别,包含三个属性:文件属性(FileAttr)、源属性(SourceAttr)和权限属性(RightAttr)。
所述操作属性类指操作主体在创建、修改、使用数据对象过程中产生的属性类别,是联系非结构化数据和结构化数据的纽带之一,包含三个属性:任务属性(TaskAttr)、交互信息属性(InteractiveInforAttr)和访问文件属性 (AccessAttr)。
所述语义属性类指与数据对象内容、含义相关的属性类别,包含两个属性:主题属性(ThemeAttr)和内容属性(ContentAttr)。
所述形态属性类指与数据对象的数据类型相对应的属性类别。选取三维模型属性(ModelAttr)、工程图纸属性(DrawingAttr)、设计文档属性 (DocumentAttr)和工艺卡片属性(ProcessAttr)等属性。
所述关联属性类指数据对象与数据库中其他结构化数据、非结构化数据、半结构化数据以及产品零部件的关联关系属性类别,包含功能相关属性(FunctionallyRelatedAttr)、结构相关属性(StructurallyRelatedAttr)、内容相似属性(ContentSimilarityAttr)和来源相同属性(ConsanguinityAttr)。
步骤2,建立的设计信息模型与工作流实体的映射关系,构建设计信息概念本体图,构建基于工作流的设计信息本体模型。该模型基于一种分层结构,上层为通用基于工作流的设计信息本体模型,下层为扩展本体模型。所述上层的模型是基于工作流的设计信息的主要框架,一般处于稳定状态,只有较小的改动;所述下层的模型则包含了详细的业务内容,如图3所示。所构建的概念关系主要根据企业PDM系统中所规范定义的文件夹结构和文件命名,而所构建的部分设计信息概念关系主要由工装、电气屏柜和模具3个主文件夹以及其子文件夹和文件组成。通过使用Protégé软件构建这部分设计信息概念关系,如图4 所示。以便将图5中的数据带入所构建的模型中进行运算。
步骤3,元素层面的本体实例节点相似性计算方法
步骤3.1,目标类型与指定规则字符串匹配。
1):待匹配字段T与规则库进行匹配,得出相应的设计信息命名规则,即条件字符串T’,长度为N2。目标字段S统一转为字符串S’,长度为N1。所述规则库中的值都是由字符“%”和命名规则字符串S组成。
2):将字符串S’与字符串T’(不包含通配符)左对齐,与字符串S’的对应字符进行相似度计算,当相似度为0时把字符串T’每向右移动一位字符,就在字符串T’前插入一个空格,再继续匹配;当相似度值为1时,则对当前条件字符串 T’进行判断。如果当通配符在初始条件字符串T’结尾,则转Step3。当通配符在初始条件字符串T’开头,则转Step4。如果字符串T’的前后都包含通配符,则返回相似度值1。
3):当通配符在字符串T’结尾,判断当前字符串T’的长度是否等于N2,如果相等则返回相似度值1,否则继续匹配;
4):当通配符在字符串T’开头,判断当前字符串T’的长度是否等于N1,如果相等则返回相似度值1,否则继续匹配。如果匹配完时相似度值不为1,则返回相似度值0。
步骤3.2,字符串类型与无指定规则字符串匹配。无指定规则字符串相似度计算公式如下:
步骤3.3,对象类型/布尔类型/数值类型匹配。对象类型匹配条件为文件类型、材料明细表类型等。当匹配类型为对象类型,布尔类型或者数值类型的时候,判断目标字段S与待匹配字段T是否相同,如果是,则相似度记为1;否则记为0。
步骤4,设计信息间的综合相似度值求解。两个设计信息间的综合相似度通过组合上述所提的语义相似度方法和传统的结构相似度来获得,其中结构相似度通过计算两个概念词连通路径上每条边的类型差异性,则相似度计算公式为:Sim(M1,M2)=α×Simo(M1,M2)+(1-α)Simstruct(M1,M2)。
其中,α为权重调节因子,由管理人员根据企业实际情况取值,且取值范围为α∈[0,1],而o为指定规则字符串类型、无指定规则字符串类型、对象类型或者日期类型。图5中的A和B模型对应的字段有17项,依次按照上述方法计算相似度即可,这里仅给出部分计算结果如下:
SimFileID(A,B)=0.6×Simobject(A,B)+0.4×Simstruct(A,B)=0.2
SimFileType(A,B)=0.6×Simbool(A,B)+0.4×Simstruct(A,B)=0.8
步骤5,基于工作流模型选择历史的最优权重向量搜索
步骤5.1,以工作流模型选择历史为训练数据集和以匹配的准确度为推荐指标,以构建多目标优化模型。令工作流模型选择历史集合表示为 H=Inst(OW)'×Inst(OD)×Inst(OW)″,其中Inst(OW)'、Inst(OD)和Inst(OW)″分别为工作流模型推荐,文件对象和工作流模型所选择的集合。多目标优化模型表达如下:
式中:x∈Rm为带有m个决策变量的向量,组成决策空间,则表示为x= (w1,w2,…,wm);y∈Rq为带有q个目标函数的向量,组成目标空间。
步骤5.2,多目标优化求解算法:
1)初始化。产生M个个体的种群,遗传代次为g=1。
2)计算多个目标函数值,对目标空间和决策空间进行非支配排序。首先在目标空间中,根据受支配程度对目标函数值进行非支配排序,划分为若干等级,即对非支配解目标记顺序1;然后从目标空间中移出,在余下的目标值中再寻找非支配解并将其标记为顺序2;依次类推,直到所有目标函数值都完成排序。
3)对种群分配虚拟适应度值。根据排序的序号,给每一个等级的个体分配一个适应度值,具有相同排序的非支配解分配相同的适应度值,使其获得相同复制概率。
4)记忆前N个个体,保存在外部解集。根据上节排序结果,将排序靠前的 N个个体是较为优良的个体,采用精英保留策略,将其作为优秀的非支配解保存在一个外部存储空间中。然后将排序后的群体进行新一轮遗传操作,产生的新种群与外部存储空间中的N个优秀个体结合,作为下一步遗传操作的新群体,其中优良个体个数N根据种群的大小进行适当选择。
5)对M+N个目标函数向量进行小生境淘汰运算。把目标空间中的目标函数值看作q维空间中的向量,以向量模(即与原点的欧式距离)作为个体适应度函数值。
6)对M+N个个体的种群进行非支配排序。采用步骤5.2的2)中NSGA算法对M+N个个体种群进行非支配排序。
7)校验是否达到最大遗传代数,如果达到,结束计算并输出非支配解集;否则记忆前M个个体和g=g+1,并返回至步骤5.2的5),进行下一轮计算。
步骤5.3,根据步骤5.2所求权重向量与步骤3所求的相似度进行集成,以求得本体匹配的相似度。集成得到的相似度计算公式为:
其中wj∈(w1,w2,…,wm)为权重,bj∈ (b1,b2,…,bm),bj表示设计信息元素最终计算所得的相似度值,m表示筛选后的匹配元素个数,n表示PDM系统所存的设计信息总个数。在图5中A和B模型中,可以求得对应字段所占的权重分布为 w1=0.02,w2=0.06,w3=0.08,w4=0.2,w5=0.08,w6=0.03,w7=0.05,w8=0.06,w9=0.01,w10=0.1,w11=0.0.2, w12=0.1,w13=0.02,w14=0.01,w15=0.1,w16=0.05,w17=0.08。A和B模型综合相似度为
步骤6,根据步骤5所求相似度,得到每个工作流模型匹配的最高相似度如下:
Sim(A,W1)=0.906;Sim(A,W2)=0.773;Sim(A,W3)=0.801;
Sim(A,W4)=0.405;Sim(A,W5)=0.681;Sim(A,W6)=0.635;
Sim(A,W7)=0.478;Sim(A,W8)=0.607;Sim(A,W9)=0.402。
其中Wj∈(W1,W2,…,W9)为匹配到的工作流模型;将匹配到相似度最高的 W1工作流模型推荐给工程师。
本发明针对产品设计信息缺乏明确分类和统一描述和设计文档的工作流模型推荐问题,创新性地提出一种基于设计信息模型的本体匹配的工作流模型推荐方法,并将其应用于设计文档的工作流模型推荐和产品数据的完善,对提高工程师的工作效率,缩短产品研制生命周期以及推动企业信息化发展具有重要的价值意义。
Claims (5)
1.一种基于设计信息模型的工作流模型推荐方法,其特征在于:该方法包括以下步骤:
步骤1:将产品数据管理系统中设计信息按照操作数据对象的主体行为和数据之间的关联关系进行划分,以此为依据构建设计信息模型;
步骤2:建立的设计信息模型与工作流实体的映射关系,构建基于工作流的设计信息本体模型;
步骤3:基于元素层面的本体实例节点相似性计算;
步骤4:设计信息间的最终相似度值求解,两个设计信息间的最终相似度值通过组合语义相似度和结构相似度来获得;
步骤5:基于工作流模型选择历史的最优权重向量搜索;
步骤6:根据步骤5所求的相似度,得到工作流模型推荐列表,用以对工作流模型的推荐。
2.根据权利要求1所述的基于设计信息模型的工作流模型推荐方法,其特征在于:
所述步骤1中设计信息划分类型包括基本属性类、操作属性类、语义属性类、形态属性类和关联属性类;
其中:所述基本属性类指数据对象的一般属性类别,包括文件属性、源属性和权限属性;
所述操作属性类指操作主体在创建、修改、使用数据对象过程中产生的属性类别,是联系非结构化数据和结构化数据的纽带之一,包括任务属性、交互信息属性和访问文件属性;
所述语义属性类指与数据对象内容、含义相关的属性类别,包括主题属性和内容属性;
所述形态属性类指与数据对象的数据类型相对应的属性类别,包括选取三维模型属性、工程图纸属性、设计文档属性和工艺卡片属性;
所述关联属性类指数据对象与数据库中其他结构化数据、非结构化数据、半结构化数据以及产品零部件的关联关系属性类别,包括功能相关属性、结构相关属性、内容相似属性和来源相同属性。
3.根据权利要求1所述的基于设计信息模型的工作流模型推荐方法,其特征在于:所述步骤2中将设计信息模型与工作流实体建立映射,以构建基于工作流的设计信息本体模型,该模型是一种分层结构,该分层结构上层为通用基于工作流的设计信息本体模型,下层为扩展本体模型,所述上层的模型是基于工作流的设计信息的主要框架,一般处于稳定状态,只有较小的改动;所述下层的模型则包含了详细的业务内容。
4.根据权利要求1所述的基于设计信息模型的工作流模型推荐方法,其特征在于:所述步骤3的具体过程如下:
步骤3.1,目标类型与指定规则字符串匹配;
1):待匹配字段T与规则库进行匹配,得出相应的设计信息命名规则,即条件字符串T’,长度为N2;目标字段S统一转为字符串S’,长度为N1,所述规则库中的值都是由字符“%”和命名规则字符串S组成;
2):将字符串S’与字符串T’(不包含通配符)左对齐,与字符串S’的对应字符进行相似度计算,当相似度为0时把字符串T’每向右移动一位字符,就在字符串T’前插入一个空格,再继续匹配;当相似度值为1时,则对当前条件字符串T’进行判断;如果当通配符在初始条件字符串T’结尾,则转3);当通配符在初始条件字符串T’开头,则转4);如果字符串T’的前后都包含通配符,则返回相似度值1;
3):当通配符在字符串T’结尾,判断当前字符串T’的长度是否等于N2,如果相等则返回相似度值1,否则继续匹配;
4):当通配符在字符串T’开头,判断当前字符串T’的长度是否等于N1,如果相等则返回相似度值1,否则继续匹配;如果匹配完时相似度值不为1,则返回相似度值0;
步骤3.2,字符串类型与无指定规则字符串匹配,无指定规则字符串相似度计算公式如下:
步骤3.3,对象类型/布尔类型/数值类型匹配,对象类型匹配条件为文件类型、材料明细表类型等,当匹配类型为对象类型,布尔类型或者数值类型的时候,判断目标字段S与待匹配字段T是否相同,如果是,则相似度记为1;否则记为0;
步骤3.4,日期类型匹配,
基于时效性原则,本发明定义日期匹配的相似度计算公式如下:
5.根据权利要求1所述的基于设计信息模型的工作流模型推荐方法,其特征在于:所述步骤5的具体过程如下:
步骤5.1,以工作流模型选择历史为训练数据集和以匹配的准确度为推荐指标,以构建多目标优化模型,令工作流模型选择历史集合表示为H=Inst(OW)'×Inst(OD)×Inst(OW)”,其中Inst(OW)'、Inst(OD)和Inst(OW)”分别为工作流模型推荐、文件对象和工作流模型所选择的集合;多目标优化模型表达如下:
式中:x∈Rm为带有m个决策变量的向量,组成决策空间则表示为x=(w1,w2,…,wm);y∈Rq为带有q个目标函数的向量,组成目标空间;
步骤5.2,多目标优化求解算法:
1)初始化,产生M个个体的种群,遗传代次为g=1;
2)计算多个目标函数值,对目标空间和决策空间进行非支配排序,首先在目标空间中,根据受支配程度对目标函数值进行非支配排序,划分为若干等级,即对非支配解目标记顺序1;然后从目标空间中移出,在余下的目标值中再寻找非支配解并将其标记为顺序2;依次类推,直到所有目标函数值都完成排序;
3)对种群分配虚拟适应度值,根据排序的序号,给每一个等级的个体分配一个适应度值,具有相同排序的非支配解分配相同的适应度值,使其获得相同复制概率;
4)记忆前N个个体,保存在外部解集,根据上节排序结果,将排序靠前的N个个体是较为优良的个体,采用精英保留策略,将其作为优秀的非支配解保存在一个外部存储空间中,然后将排序后的群体进行新一轮遗传操作,产生的新种群与外部存储空间中的N个优秀个体结合,作为下一步遗传操作的新群体,其中优良个体个数N根据种群的大小进行适当选择;
5)对M+N个目标函数向量进行小生境淘汰运算,把目标空间中的目标函数值看作q维空间中的向量,以向量模(即与原点的欧式距离)作为个体适应度函数值;
6)对M+N个个体的种群进行非支配排序,采用步骤5.2的2)中计算多个目标函数值方法对M+N个个体种群进行非支配排序;
7)校验是否达到最大遗传代数,如果达到,结束计算并输出非支配解集;否则记忆前M个个体和g=g+1,并返回至步骤5.2的5),进行下一轮计算;
步骤5.3,根据步骤5.2所求权重向量与步骤3所求的相似度进行集成,以求得本体匹配的相似度,集成得到的相似度计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911191375.XA CN111027189A (zh) | 2019-11-28 | 2019-11-28 | 基于设计信息模型的工作流模型推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911191375.XA CN111027189A (zh) | 2019-11-28 | 2019-11-28 | 基于设计信息模型的工作流模型推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027189A true CN111027189A (zh) | 2020-04-17 |
Family
ID=70203132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911191375.XA Pending CN111027189A (zh) | 2019-11-28 | 2019-11-28 | 基于设计信息模型的工作流模型推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027189A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523241A (zh) * | 2020-04-28 | 2020-08-11 | 国网浙江省电力有限公司湖州供电公司 | 新型用电负荷逻辑信息模型的构建方法 |
CN111932150A (zh) * | 2020-09-17 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于ai决策及引擎的流程执行方法、装置、设备及介质 |
CN112617832A (zh) * | 2020-11-06 | 2021-04-09 | 中国联合网络通信集团有限公司 | 一种心理状态判别方法及装置 |
CN112686580A (zh) * | 2021-01-31 | 2021-04-20 | 重庆渝高科技产业(集团)股份有限公司 | 一种可自定义流程的工作流定义方法及系统 |
CN113919757A (zh) * | 2021-11-22 | 2022-01-11 | 重庆允成互联网科技有限公司 | 基于工作流的待办事项处理人匹配方法及处理系统 |
CN114115878A (zh) * | 2021-11-29 | 2022-03-01 | 杭州数梦工场科技有限公司 | 一种工作流节点推荐方法及装置 |
CN116112434A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市网联天下科技有限公司 | 一种路由器数据智能缓存方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919663A (zh) * | 2017-02-14 | 2017-07-04 | 华北电力大学 | 电力调控系统多源异构数据融合中的字符串匹配方法 |
-
2019
- 2019-11-28 CN CN201911191375.XA patent/CN111027189A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919663A (zh) * | 2017-02-14 | 2017-07-04 | 华北电力大学 | 电力调控系统多源异构数据融合中的字符串匹配方法 |
Non-Patent Citations (1)
Title |
---|
刘庭煜等: "基于多维情境本体匹配的产品开发过程业务产物智能推荐技术", 《计算机集成制造系统》, pages 2 - 4 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523241A (zh) * | 2020-04-28 | 2020-08-11 | 国网浙江省电力有限公司湖州供电公司 | 新型用电负荷逻辑信息模型的构建方法 |
CN111523241B (zh) * | 2020-04-28 | 2023-06-13 | 国网浙江省电力有限公司湖州供电公司 | 用电负荷逻辑信息模型的构建方法 |
CN111932150A (zh) * | 2020-09-17 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于ai决策及引擎的流程执行方法、装置、设备及介质 |
CN112617832A (zh) * | 2020-11-06 | 2021-04-09 | 中国联合网络通信集团有限公司 | 一种心理状态判别方法及装置 |
CN112686580A (zh) * | 2021-01-31 | 2021-04-20 | 重庆渝高科技产业(集团)股份有限公司 | 一种可自定义流程的工作流定义方法及系统 |
CN112686580B (zh) * | 2021-01-31 | 2023-05-16 | 重庆渝高科技产业(集团)股份有限公司 | 一种可自定义流程的工作流定义方法及系统 |
CN113919757A (zh) * | 2021-11-22 | 2022-01-11 | 重庆允成互联网科技有限公司 | 基于工作流的待办事项处理人匹配方法及处理系统 |
CN113919757B (zh) * | 2021-11-22 | 2022-11-15 | 重庆允成互联网科技有限公司 | 基于工作流的待办事项处理人匹配方法及处理系统 |
CN114115878A (zh) * | 2021-11-29 | 2022-03-01 | 杭州数梦工场科技有限公司 | 一种工作流节点推荐方法及装置 |
CN116112434A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市网联天下科技有限公司 | 一种路由器数据智能缓存方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027189A (zh) | 基于设计信息模型的工作流模型推荐方法 | |
Mansar et al. | Case-based reasoning as a technique for knowledge management in business process redesign | |
Ceberio et al. | A review on estimation of distribution algorithms in permutation-based combinatorial optimization problems | |
Symeonidis et al. | Agent intelligence through data mining | |
Sun et al. | Heterogeneous multigranulation fuzzy rough set-based multiple attribute group decision making with heterogeneous preference information | |
CN109255586B (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
Arditi et al. | Predicting the outcome of construction litigation using an integrated artificial intelligence model | |
Xu et al. | Towards heuristic web services composition using immune algorithm | |
Basgalupp et al. | Predicting software maintenance effort through evolutionary-based decision trees | |
CN102609465A (zh) | 基于潜在社群的信息推荐方法 | |
Yang et al. | A multilevel information mining approach for expert recommendation in online scientific communities | |
Zhu et al. | Research project evaluation and selection: an evidential reasoning rule-based method for aggregating peer review information with reliabilities | |
Heradio et al. | A literature review on feature diagram product counting and its usage in software product line economic models | |
Esanakula et al. | Online knowledge-based system for CAD modeling and manufacturing: an approach | |
Rakić et al. | Multi-criteria selection of standards for system analyst activities in organizations | |
Panza et al. | Open product development to support circular economy through a material lifecycle management framework | |
Zhang et al. | Logistics service supply chain order allocation mixed K-Means and Qos matching | |
Neylon | Sustaining scholarly infrastructures through collective action: The lessons that Olson can teach us | |
CN110597796B (zh) | 基于全生命周期的大数据实时建模方法及系统 | |
Rajasekaran | Handbook of randomized computing | |
Cardoso et al. | Web Process and Workflow Path mining using the multimethod approach | |
Werner et al. | Towards a component and service marketplace with brechó library | |
Steinhoff | The social reconfiguration of artificial intelligence: Utility and feasibility | |
Marín et al. | Devolved ontology in practice for a seamless semantic alignment within dynamic collaboration networks of smes | |
Aghdaie et al. | DECISION MAKING ON EXIGENT ISSUES IN ORGANISATIONS: A CASE STUDY ON R&D PROJECTS. |
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 |