工作流挖掘的目的是从事件日志中提取任务的执行轨迹信息,建立清晰的工作流模型。目前的算法大都采用局部策略,难以处理复杂的控制流结构,且抗噪音能力比较弱。而用于工作流挖掘的遗传算法采用全局策略实现了同一方法综合解决多种复杂结构问题,并且对噪音有较强的抵抗力。但是该算法容易过早收敛,局部寻优能力较差,且需要经过多次的迭代才能搜索到理想的工作流模型。针对遗传算法的缺点,本文提出一种混合遗传算法对工作流进行挖掘。该算法对传统遗传算法的各个阶段进行改进。首先在创建初始种群阶段引入启发式规则,利用个体与日志拟合的程度对个体的适应度进行评估。接着在选择操作阶段采用锦标赛策略结合精英保留策略,并分别使用混合自适应交叉概率和混合自适应变异概率进行交叉变异操作,将模拟退火思想分别引入交叉和变异阶段,同时有机地结合多种群并行遗传进化思想,通过迁移策略对种群进行分级,保持优良个体进化的稳定性同时加快进化速度。最后本文组合工作流挖掘领域的五个模型质量评价标准对新算法的结果进行评价,这五个标准为：完整性、行为精确度、行为重现度、结构精确度和结构重现度。并且在ProM实验平台上对38个日志进行测试。结果表明新算法能够在更短的时间内挖掘到更优的工作流模型。