工作流技术是企业实现业务过程自动化的使能技术,它将活动、数据和人协调起来。人员分配是活动与人员协调的重要内容,其目标为“将合适的活动分配给合适的人”。传统人员分配方法基于人员与活动的匹配知识来讨论分配策略与算法,从运筹优化的角度来研究这一问题。然而,在基于工作流的应用中,人员与活动的匹配知识难以获得并且人员本身具有动态性,故本文基于人员执行活动的历史信息来研究工作流运行时的人员分配技术,以解决匹配知识不完全条件下的人员分配问题,并尝试在工作流执行历史中归纳发现相关活动的特性。本文主要工作包括:1.提出了一种基于机器学习的半自动工作流人员分配方法。该方法针对工作流中某些关键活动的执行人需要在运行时进行动态指派的问题,通过学习相关工作流日志中该活动实例的人员分配模式,为流程实例负责人推荐这些关键活动的候选执行人。2.针对运行时工作项“拉动”分配模式,提出了一种基于时段逻辑的关联工作项挖掘方法。该方法通过分析工作流日志中工作项执行开始时刻与结束时刻,即时段信息,发现与用户所选取的工作项在执行时段上可以并行执行的关联工作项,并将其推荐给该用户。3.提出了一种基于决策树的活动执行时间预测技术。工作项执行时间取决于运行环境(例如,执行人、案例难度等要素)。该方法基于工作流日志中前序工作项的执行人、执行时间、等待时间等特征,预测当前活动的执行时间。为了说明研究的实用性,本文基于我国三家制造业企业的实际工作流日志,对上述方法进行了验证。同时,针对国家企业信息化支撑软件工程技术研究中心开发的TiPLM系统,设计了支持运行时人员分配的工作流管理系统,并进行了部分实现。