流程挖掘是从信息系统记录的事件日志中挖掘信息的一种技术,用于分析、发现、提高和管理业务流程,并且可以探测到业务流程当中的瓶颈。在流程挖掘中模型发现这一阶段,主要是构建能够表示实际业务运转的流程模型。一个以控制流角度挖掘的流程模型就代表着流程当中活动间的依赖关系,本文主要从控制流的视角研究模型的生成,重点关注活动间的次序关系。从事件日志当中挖掘出同步和选择相结合的非自由选择结构,一直是流程挖掘领域存在的一项挑战。大部分算法很难较好地发现活动间的并发关系,为了解决由此而导致挖掘结果与现实业务流程相偏离的问题,通过对非自由选择结构自身的特性和现存结合遗传算法的相关挖掘方法进行研究,本研究对传统的遗传流程挖掘方法进行改进,根据要探索挖掘的非自由选择结构,增加能够判断长距离依赖关系的次序定义,更有偏向性地建立初始种群,为之后的进化计算准备充足的优质个体,从而缩小搜索空间,避免与日志行为相关性较小的劣质个体存在。使用适应度、精确度和泛化度三个通用指标对结果模型进行评价,结果表明挖掘出的流程模型能够很好地反应现实中的业务流程。本文主要的研究内容如下:第一,对事件日志的构成和特性以及流程模型的表现形式Petri网和因果矩阵进行了研究。事件日志是整个流程挖掘活动的起始点,对活动间存在的循环、并行、非自由选择和隐藏任务等复杂结构进行了分析,能够从事件日志中挖掘到这些复杂结构对于挖掘结果的正确性至关重要。第二,对当今较为常用的流程挖掘技术进行了对比研究。详细研究了遗传流程挖掘方法、α算法和启发式流程挖掘方法。第三,提出一种改进的能够发现非自由选择结构的遗传流程挖掘方法,通过建立优质的初始种群,使搜索空间缩小,并进行实验验证其可用性。从而使挖掘出的流程模型能够很好的反应现实中的业务流程。