[发明专利]基于逻辑Petri网的循环并发结构的过程模型修正方法

权利要求书

1.一种基于逻辑Petri网的循环并发结构的过程模型修正方法，其特征在于，包括以下步骤：

定义校准

设A∈Λ，σ∈A^*是A上的一条迹，且PN＝(P,T；F,M)，(a,t)∈(A∪{})×(T∪{})是一个动作，校准γ＝(a₁,t₁)(a₂,t₂)…(a_|γ|,t_|γ|)是迹σ和模型PN之间的动作队列，且满足：

①π₁(γ)＝σ，即迹中的动作序列产生迹σ；

②m_i[π₂(γ)m_f，即模型中的动作序列产生一个完整的引发序列；

其中，若a∈A且t＝，则为日志动作；若a＝且t∈T，则为模型动作；若a∈A且t∈T，则为同步动作；否则为非法动作；

Γ_σ,PN是迹σ和模型PN之间所有校准的集合；

定义最优校准

设A∈Λ，σ∈A^*是A上的一条迹，且PN＝(P,T；F,M)，称γ∈Γ_σ,PN为迹σ和模型PN之间的最优校准，当且仅当对∑_(a,t)∈γl_c(a,t)≤∑_{(a′,t′)∈γ}l_c(a′,t′)，其中l_c(a,t)为可能性代价函数，且对于日志动作和模型动作l_c(a,t)＝1，对于同步动作l_c(a,t)＝0；

Γ_σ,PN,lc是迹σ、模型PN与可能性代价函数l_c之间的最优校准集合，最优校准存在一个或者多个；

定义过程树

设A∈Λ，PN＝(P,T；F,M)是一个Petri网，是给定的操作符集，τ是不可见变迁，则有：

①a∈A∪{τ}是一个过程树；

②设PT₁,…,PT_n(n0)是过程树，则也是过程树；

操作符集中有4种操作符：×表示选择关系，即该操作符对应的子树只有一个会发生；→表示顺序关系，即该操作符对应的子树会顺序发生；表示循环关系，即该操作符对应的子树是循环体；∧表示并行关系，即该操作符对应的子树会并行发生；

步骤1：对普通扩展校准、普通最优扩展校准、逻辑扩展校准和逻辑最优扩展校准进行定义；

定义普通扩展校准

设A∈Λ，σ∈A^*是A上的一条迹，且PN＝(P,T；F,M)；

(a,t,p|set)∈(A∪{})×(T∪{})×{M|Pset}是一个动作，普通扩展校准β＝(a₁,t₁,p₁|set)(a₂,t₂,p₂|set)…(a_|β|,t_|β|,p_|β||set)是动作队列，且满足：

①γ是迹σ和模型PN之间的校准；

②M₀是初始标志，存在M₀[σ′M_i，σ′为从π₂(γ)模型活动的第1个变迁开始到第i个变迁之间的一条迹，0i≤|γ|；

③M_i|Pset为M_i状态下所有存在托肯的库所集，称为标识库所集；

Γ_σ,PN,M|Pset是迹σ、模型PN与标识库所集M|Pset之间所有普通扩展校准的集合；

定义普通最优扩展校准

设A∈Λ，且PN＝(P,T；F,M)，称β∈Γ_σ,PN,M|Pset为迹σ、模型PN与标识库所集M|Pset之间的普通最优扩展校准，当且仅当对于∑_{(a,t,p|set)∈β}l_c(a,t,p|set)≤∑_{(a′,t,′p|set′)∈β}l_c(a′,t′,p|set′)，其中l_c(a,t,p|set)为可能性代价函数，对于日志动作和模型动作l_c(a,t,p|set)＝1，对于同步动作l_c(a,t,p|set)＝0；

Γ_{σ,PN,M|Pset,lc}是迹σ、模型PN、标识库所集M|Pset与可能性代价函数l_c之间的普通最优扩展校准的集合，最优扩展校准存在一个或者多个；

定义逻辑扩展校准

设A∈Λ，σ∈A^*是A上的一条迹，LPN＝(P,T；F,M)是A上的一个逻辑Petri网，(a,t,p|set)∈(A∪{})×(T∪{})×{M|Pset}是一个动作，逻辑扩展校准β_L＝(a₁,t₁,p₁|set)(a₂,t₂,p₂|set)…(a_|βL|,t_|βL|,p_|βL||set)是动作队列，且满足：

①Γ_σ,LPN是迹σ和模型LPN之间的校准；

②M_i|Pset为M_i状态下所有存在托肯的库所集，称为标识库所集；

Γ_{σ,LPN,M|Pset}是迹σ、模型LPN与标识库所集M|Pset之间所有逻辑扩展校准的集合；

定义逻辑最优扩展校准

设A∈Λ，LPN＝(P,T；F,M)是A上的一个逻辑Petri网，称β_L∈Γ_{σ,LPN,M|Pset}为迹σ、模型LPN与标识库所集M|Pset之间的逻辑最优扩展校准，当且仅当对于∑_{(a,t,p|set)∈β}l_c(a,t,p|set)≤∑_{(a′,t′,p|set′)∈β}l_c(a′,t′,p|set′)，其中l_c(a,t,p|set)为可能性代价函数，对于日志动作和模型动作l_c(a,t,p|set)＝1，对于同步动作l_c(a,t,p|set)＝0；

Γ_{σ,LPN,M|Pset,lc}是迹σ、模型LPN、标识库所集M|Pset与可能性代价函数l_c之间的逻辑最优扩展校准的集合；

步骤2：进行循环并发结构的静态模型修正；

当过程模型描述的行为与事件日志记录的行为之间存在偏差时，为了使模型能重演日志中记录的行为，需要对现有模型进行修正；通过计算连续日志动作集合，遍历普通最优扩展校准定位偏差，对模型进行静态修正；

下面给出计算连续日志动作集合算法，通过算法1，得到最优扩展校准中的连续日志动作；

算法1计算连续日志动作集合算法

输入：Petri网PN＝(P,T；F,M)，普通最优扩展校准Γ_{σ,PN,M|Pset,lc}；

输出：连续日志动作集合CL；

步骤(1)：初始化连续日志动作集合CL；

步骤(2)：遍历Γ_{σ,PN,M|Pset,lc}，若存在连续的日志动作{(a_i,,p_i|set),…,(a_j,,p_j|set)}，且a_i和a_j分别为网模型并发块的首尾活动；

步骤(3)：将符合条件的连续日志动作的添加到变迁{a_i,…,a_j}添加到CL集合中；

步骤(4)：输出连续日志动作集合CL；

计算连续日志动作集合之后，需要通过定位偏差来确定偏差位置，给出算法2，能静态定位日志和模型之间的偏差；其中，p_n|set表示标识库所集，是一个库所集合，t_n表示单个变迁；

算法2静态偏差定位算法

输入：连续日志动作集合CL，普通最优扩展校准Γ_{σ,PN,M|Pset,lc}；

输出：偏差位置D(p_n|set,t_n)；

步骤(1)：初始化偏差位置D(p_n|set,t_n)；

步骤(2)：遍历Γ_{σ,PN,M|Pset,lc}，若连续日志动作集合CL在普通最优扩展校准中已完整出现且发生，则p_n|set为连续日志动作的首变迁a_i的标志库所集，t_n为首变迁a_i；

步骤(3)：将得到的(p_n|set,t_n)并到D(p_n|set,t_n)集合中；

步骤(4)：输出偏差位置D(p_n|set,t_n)；

根据偏差位置，及逻辑Petri网，给出静态模型修正算法；

算法3静态模型修正算法

输入：静态偏差定位D(p_n|set,t_n)，Petri网PN＝(P,T；F,M)；

输出：修正后的逻辑Petri网LPN′＝(P′,T′；F′,I′,O′,M′)；

步骤(1)：初始化修正模型LPN′为原模型；

步骤(2)：调用算法1和算法2得到偏差位置D(p_n|set,t_n)；

步骤(3)：在模型中添加p_n|set到t_n的弧；

步骤(4)：根据LPN挖掘算法挖掘变迁的触发条件，得到新的逻辑变迁a_i′，并将a_i′添加到模型中；

步骤(5)：输出修正后的逻辑Petri网LPN′；

步骤3：进行循环并发结构的动态模型修正；

当连续日志动作在普通扩展校准中并未完整出现时，根据逻辑Petri网，动态的确定偏差位置并对模型进行修正，在偏差定位之前，需获得模型的并发变迁集，以便于准确定位偏差，根据过程树概念，引入并发变迁集概念；

操作符：→代表顺序关系，∧代表并行关系，在过程树中，叶子结点为Petri网模型的变迁，非叶子结点为操作符；

遍历过程树，若存在操作符∧的左子树为叶子结点，则n.lchild.child＝null，若存在操作符∧的右子树为叶子结点，则n.rchild.child＝null；若右子树不为叶子结点，则n.rchild.child≠null，每一个右子树的后续叶子结点n.rchild.p都与该操作符∧的叶子结点n.lchild为并发变迁对(t_a,t_b)；若左子树不为叶子结点，则n.lchild.child≠null，每一个左子树的后续叶子结点n.lchild.p都与该操作符∧的叶子结点n.rchild为并发变迁对(t_a,t_b)；

定义模型中并发变迁集

设A∈Λ，且PN＝(P,T；F,M)，PT是Petri网的过程树，并行变迁对(t_a,t_b)满足：

①且n＝“∧”，其中n为过程树PT的结点；

②若n∈PT且n＝“∧”，n的左子树n.lchild不为叶子结点，n的右子树n.rchild为叶子结点，n.lchild.p为子树n.lchild的后续叶子结点，则t_a＝n.lchild.p且t_b＝n.rchild；

③若n∈PT且n＝“∧”，n的左子树n.lchild为叶子结点，n的右子树n.rchild不为叶子结点，n.rchild.p为子树n.rchild的后续叶子结点，则t_a＝n.rchild.p且t_b＝n.lchild；

根据并发变迁集的概念，下面算法4给出寻找并发变迁集方法，输入PN对应的过程树PT，输出并发变迁集CTS，模型中的并发变迁集CTS为所有并发变迁对(t_a,t_b)的集合，CTS用于寻找偏差位置；

算法4寻找并发变迁集算法

输入：过程树PT；

输出：并发变迁集CTS；

步骤(1)：初始化并发变迁集CTS；

步骤(2)：当过程树PT中的结点n不为空时进行步骤(3)～(5)；

步骤(3)：若n为操作符∧，且左子树n.lchild不为叶子结点，右子树n.rchild为叶子结点，则左子树的后续叶子结点和右子树为一组并发变迁对(n.lchild.p,n.rchild)，并添加到并发变迁集CTS中；

步骤(4)：若n为操作符∧，且右子树n.rchild不为叶子结点，左子树n.lchild为叶子结点，则右子树的后续叶子结点和左子树为一组并发变迁对(n.rchild.p,n.lchild)，并添加到并发变迁集CTS中；

步骤(5)：寻找下一个结点；

步骤(6)：输出并发变迁集CTS；

在模型中不存在自环结构时，动态定位偏差并修正模型的算法为：

算法5动态的偏差定位与模型修正算法

输入：连续日志动作集合CL，普通最优扩展校准Γ_{σ,PN,M|Pset,lc}，Petri网PN＝(P,T；F,M)，并发变迁集CTS；

输出：修正后的逻辑Petri网LPN′＝(P′,T′；F′,I′,O′,M′)；

步骤(1)：初始化偏差位置D(p_n|set,t_n)；

步骤(2)：初始化修正模型LPN′为原模型；

步骤(3)：将收集的连续日志动作CL遍历普通最优扩展校准β，若未完整出现且发生，则到步骤(4)，否则退出；

步骤(4)：若连续日志动作首变迁first(CL)的前集属于first(CL)的标志库所集，则first(CL)使能，到步骤(10)，否则到步骤(5)；

步骤(5)：若first(CL)和模型PN的任一变迁不属于CTS中任一变迁对，则p_n|set为first(CL)的标志库所集，t_n为first(CL)，p_m|set是需要同p_n|set比较的库所集，p_m|set为t_n前集；

步骤(6)：若first(CL)存在并发变迁s，且连续日志动作中不包含s，则p_n|set为first(CL)的标志库所集，t_n为first(CL)，p_m|set为t_n前集；

步骤(7)：若first(CL)存在并发变迁s，且连续日志动作中包含s，则p_n|set为first(CL)的标志库所集，去掉包含于first(CL)前集的库所，去掉含于并发变迁s前集的元素，t_n为first(CL)，p_m|set为first(CL)前集和s前集的交集，去掉含于first(CL)标志库所集的元素；

步骤(8)：将p_n|set到t_n的弧添加到模型中；

步骤(9)：根据LPN挖掘算法挖掘变迁的触发条件比较p_m|set和p_n|set之间逻辑关系，得到逻辑变迁first(CL)′，并将first(CL)′添加到模型中；

步骤(10)：更新first(CL)的标志库所集，将其赋值给CL第二个变迁的标志库所集，并在CL中去掉首元素；

步骤(11)：输出修正后的逻辑Petri网LPN′。