【知识丰富工作流的建模研究】activiti工作流原理

　　摘要:本文首先阐述了知识管理和工作流管理的原理,并将知识管理和工作流流程相结合,对基于知识管理的工作流建模进行研究,提出一个知识丰富工作流的建模方法。 　　关键词:工作流 工作流建模 知识管理
　　中图分类号: 文献标识码:A文章编号:1007-9416(2010)01-0000-00
　　
　　现在社会分工越来越细,在一个企业中也越来越强调任务的专业化,很多工作都需要多个部门和员工合作完成。一个有着良好制度的单位往往对各种工作的工作流程以文件的形式固定下来,即使是管理不太正规的单位也有其固定的工作步骤。这种工作流程保证了一件任务能按预定的顺序从起点流向终点,并且在需要的时候可以跟踪、查询和统计。知识丰富的工作流系统在实现过程重组、面向过程的应用等方面显示了强大的功能和广阔的应用前景。目前相对知识丰富工作流产品的实现技术和发展速度而言,基于知识丰富工作流的建模理论的研究相对滞后,在建模上还没形成比较系统化的理论。传统的工作流建模技术采用的是预先完全定义流程的方法,这种方法不适应于知识丰富的工作流系统的动态环境,导致了工作流管理系统缺乏灵活性。针对以上问题,本文在现有理论的基础上,结合社会,提出了一个基于知识丰富工作流的建模方法。
　　
　　1 知识管理的原理
　　APCQ(美国生产力和质量中心)对知识管理的定义是:知识管理应该是组织一种有意识采取的战略,它保证能够在最需要的时间将最需要的知识传送给最需要的人。这样可以帮助人们共享信息,并进而将之通过不同的方式付诸实践,最终达到提高组织业绩的目的。
　　斯威比(Karl E.Sveiby)从认识论的角度对知识管理的定义是:知识管理是利用组织的无形资产创造价值的艺术。
　　
　　2 工作流建模的原理
　　根据工作流管理联盟(WfMC)的定义,工作流(Work Flow)就是自动运作的业务过程部分或整体,表现为参与者对文件、信息或任务按照规程采取行动,并令其在参与者之间传递。简单地说,工作流就是一系列相互衔接、自动进行的业务活动或任务。我们可以将整个业务过程看作是一条河,其中流过的就是工作流。
　　工作流管理(Workflow Management, WFM)是人与电脑共同工作的自动化协调、控制和通讯,在电脑化的业务过程上,通过在网络上运行软件,使所有命令的执行都处于受控状态。在工作流管理下,工作量可以被监督,分派工作到不同的用户达成平衡。
　　实施工作流管理的前提就是首先建立工作流模型。工作流模型是对工作流和其业务过程的抽象表示,目的是将一个现实生活中的业务流程用一个规范化的过程描述出来。工作流模型应该完整地提供支持工作流定义的概念,为建模用户提供进行工作流定义所必需的部件或元素。
　　
　　3 知识丰富工作建模的原理
　　当前,企业的成功越来越依赖于企业所拥有的“知识”的质量,利用企业所拥有的知识为企业创造竞争优势和持续竞争优势对企业来说始终是一个挑战。
　　为适应各种知识的变化,企业需要动态的对自身做出相应的调整,这就需要管理者根据信息把握企业当前的业务流程、知识状态及其组织结构。因此将知识流与工作流相结合,建 立一个知识丰富的工作流建模已经成为了工作流研究领域的一个焦点问题,在很多领域得到了应用,未来发展空间很大。
　　要做到“合适的工作流知识”在“合适的时候”被“合适的人”能够以“合适的方式”使用,就必须针对不同的工作流知识进行合理的表示。本文提出的知识丰富工作流建模的目标就是建立灵活的、知识丰富的动态工作流生成机制。为达到这个目标,就必须将知识管理运用到工作流管理系统中去,其中最核心的部分是“如何合理的表示知识”,即知识表示问题。
　　在知识表示中遇到的一个关键的问题是知识采用什么样的形式表示,使计算机能对其进行处理并以一种人们能理解的方式将处理结果告知人们。由于知识所确定的范围很广泛,人们难以将它们完全在计算机中表示出来。文中所谓的知识表示就是知识的符号化表示,便于计算机对知识进行存储和处理的方法。
　　
　　4 基于工作流知识的建模
　　4.1框架表示法
　　心理学的研究结果表明,在人类日常的思维和理解活动中,当分析和解释遇到的新情况时,要使用到过去经验中积累的知识。这些知识规模巨大而且以很好的组织形式保留在人们的记忆中。例如,当我们走进一家从来没来过的饭店时,根据以往的经验,可以预见在这家饭店我们将会看到菜单、桌子、服务员等等。当我们走进教室时,可以预见在教室里可以看到椅子、黑板等等。我们试图用以往的经验来分析解释当前所遇到的情况。当然,我们无法把过去的经验一一都存在脑子里,而只能以一个通用的数据结构的形式存储以往的经验。这样的数据结构称为框架。框架提供了一个结构,一种组织。在这个结构或组织中,新的资料可以用从过去的经验中得到的概念来分析和解释。因此,框架是一种结构化表示法。
　　框架表示法是一种适应性强、概括性高、结构化良好、推理方式灵活、又能把陈述性知识与过程性知识相结合的知识方法。
　　框架通常由描述事物的各个方面的槽组成,每个槽可以拥有若干个侧面,而每个侧面又可以拥有若干个值。这些内容可以根据具体问题的具体需要来取舍,一个框架的一般结构如下:
　　
　　/
　　
　　:
　　:
　　
　　/
　　
　　:
　　:
　　
　　......
　　/
　　
　　:
　　:
　　
　　即:一个框架一般有若干个槽,一个槽有一个槽值或者有若干个侧面,而一个侧面又有若干个侧面值。其中槽值和侧面值可以是数值、字符串、布尔值,也可以是一个动作或过程,甚至还可以是另一个框架的名字。由框架的形式可以看出,框架适合表达结构性的知识。所以,概念、对象等知识最适于用框架表示。其实,框架的槽就是对象的属性或状态,槽值就是属性值或状态值。不仅如此,框架还可以表示行为(动作),所以,工作流中的过程性事件或情节适合用框架网络来表示。
　　4.2 框架的本体描述语言实现
　　本体(Ontology)又称为实体,源自于形而上学的哲学分支,他对客观世界的事物进行分解,发现其基本的组成部分,进而研究客观事物的抽象本质。近年来,本体的概念被越来越多的应用计算机知识工程领域,用于对客观世界的存在现实进行系统化描述,方便知识的重用和交互。人们已经从不同的角度和方面为本体论概念进行了定义,其中比较著名的有“本体是概念模型的一个现实的规格说明”和“本体是共享概念的一个形式化的规格说明”。其中,“概念模型(Conceptualization)”是指通过对某个客观现象的相关概念进行辨析和提取而获得的关于该现象的抽象模型;“显示(Explicit)”是指对所使用的概念的类型,以及这些概念在应用上的约束都给予明确的说明;“形式化(Formal)”表示本体论以计算机可读的形式存在;“共享(Share)”表示本体论中反映的是共同认可的知识。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文 　　OWL语言全称Web Ontology Language(Web本体语言),是W3C推荐的语义互联网中本体描述语言的标准。OWL的本体组成包括个体(Individual)、属性(Property)和类(class)。个体代表领域中用户实际感兴趣的那些对象,属性是个体之间的二元关系。OWL使用形式化的方法精确描述出类中成员必须有的条件。类可以通过继承关系组成层次结构。
　　下面给出了一个教师的框架:
　　
　　该框架用OWL可表示如下:
　　
　　5 面向模式的规划算法
　　 “提出能达到一定目标的行动序列的任务”是斯图尔特•罗素为规划(Planning)给出的简短定义。规划是当前人工智能(AI)领域中一个引起巨大兴趣的部分,它结合了AI的两个主要领域:搜索和逻辑。也就是,规划器既能被视为搜索解的程序,也能被视为证明解存在的程序。面向模式的规划方法是针对现有人工智能规划方法的扩展,是建模中工作流生成的核心部分。规划方法的基本算法如图1所示,基本步骤介绍如下:首先,系统解析用户提交的业务目标的请求,并将其变换为系统的目标形式和部分上下文信息。在实际应用中,由于应用到的行业不同,目标需求也有很大的差别,这部分需要根据具体行业进行二次开发。第二,系统检查策略库中的目标--上下文关系,检查器利用知识库中的本体定义来检查输入的目标是否合法,并在变换过程中检查相关格式查找和目标“最相关的上下文”,没有获取的上下文信息需要通过对应的上下文服务来得到它们的值。完成后,系统得到一个规范的目标模型和一组刻画当前情景的上下文信息。第三,借助知识库与上下文服务提供的知识与信息,初始化部分工作流,并将目标节点送入规划队列。部分工作流是规划过程中流程定义的中间结果,生成了可以执行的流程定义。第四,依次从规划队列中提取目标节点,匹配器结合目标和模式进行目标匹配和上下文匹配,选择适用的模式。第五,将选用模式对应的流程片段workflowlet加入部分工作流。如果选用模式的类型为strategic,则说明流程片段中的子目标仍需细化。将相应的子目标送入队列。如此反复,直至所有需要细化的目标都处理完毕
　　
　　图1面向模式的基本规划算法
　　第六,在规划后,部分工作流中可能包含多个流程片断。流程组合器利用相应模式之间的依赖关系,将它们拼接组合成一个完整的流程定义。此时的流程定义中仍可能含有需要细化的部分,这些部分将在执行过程中通过重规划来进行细化。模式匹配是规划中最重要的步骤。它包括领域过滤,目标匹配和上下文匹配三个操作。领域过滤是指用目标问题的所在领域来过滤模式库,从而减少模式的搜索空间;目标匹配是指过滤后的模式和目标问题进行目标匹配,得到若干候选模式;最后的上下文匹配是用来评估那些候选模式可以在当前情况中是否适用。上下文匹配是将当前上下文状态和模式中的场景描述进行定量比较。模式场景中的上下文条目分为两类:PositiveFactors中的上下文条目给出了适用该模式的场景,而NegativeFaetors中的上下文条目则描述那些不适合该模式应用的场景。本文采用了加权和之差的方式来进行定量评估,如式1所示。当然,也可以根据不同需求来定义其他的量化匹配的公式
　　
　　式1
　　其中,S是上下文匹配的分值,该分值越大则表示越匹配;i,j分别表示positive和negative的上下文条目个数,其中0 本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文