在过去的几年中,出现了新一代的流程感知信息系统,该系统可以在构建时配置流程模型,并在运行时更改流程实例。由于应用的更改和流程模型的自适应性,导致现实应用中存在大量来自同一模型的流程变体。这些流程变体在结构功能存在诸多共同之处,但至少存在一些细节结构相互区分,配置和维护这些流程变体非常困难。目前在流程变体相关的研究主要集中于变体挖掘方面,如何从变体集中挖掘出适配的原模型成为首要目标,其次如何更好的区分变体间的差距也是一个有趣的方面。为了解决这两个问题,本文从行为轮廓出发,在变体研究中加入活动间的行为关系,以此来丰富流程变体研究的内容,提高所用方法的准确性,也拓展了应用的前景。首先针对流程模型及其变体,当距离相同时,用单一的距离量无法衡量变体之间的差异。为了解决这一问题,引入行为轮廓一致性度的概念,将距离和轮廓一致性结合在一起,利用行为轮廓一致性距离定量评价流程变体和原始参考模型的相关程度,这样就可以应用轮廓一致性距离成功区分示例中的6个距离相等的流程变体,进一步拓展了已有研究对流程变体和原始模型关系的相关结论。为了实现使用较少的系统模型来描述流程变体,提出一种流程变体聚类挖掘算法。首先结合因果行为轮廓的概念将变体模型矩阵化,然后应用加权余弦相似度来聚类活动并确定其之间的行为关系,最后通过反复迭代直到聚类所有活动,得到一个目标参考流程模型,该模型比原参考模型更容易配置不同的流程变体。仿真实验中将此算法和传统的流程挖掘算法以及经典的启发式算法进行对比,结果表明了其在挖掘参考模型方面的可行性和有效性。接下来还针对变体集中的活动不尽相同以及存在循环的问题,改进了流程变体聚类挖掘算法,并在车险索赔的实际案例中验证了算法的实用性。本文主要基于行为轮廓关系,讨论了流程变体的一致性距离和相关两个挖掘算法,主要内容如下:(1)提出了一个基于行为轮廓的一致性距离的概念,用于定量区分流程变体,尤其当它们之间距离相等时,尤为有效。(2)提出了一种基于因果行为轮廓的流程变体挖掘算法,用来挖掘处理简单的不存在循环结构的变体集,从而得到一个适配的原模型。经过实验证明,此算法比传统的流程挖掘算法和经典的启发式算法更加方便高效。(3)提出了一种改进的流程变体挖掘算法,主要用来解决流程变体中存在的活动数目种类不同和循环模块两个问题,这样算法更加完善,应用的前景也更加广泛。(4)用车险索赔的实际案例验证改进算法的实用性。图11表13参65