في ظل الابتكارات المتسارعة في مجال الذكاء الاصطناعي، يأتي مفهوم التحقق من التوافق (Conformance Checking) بمفتاح جديد لتطوير الأداء. يُعد التحقق المستند إلى المحاذاة (Alignment-based Conformance Checking) من أحدث الأساليب المستخدمة لمقارنة التنفيذات العملية الملاحظة مع نماذج العملية النمطية. تعتمد الحلول التقليدية الدقيقة على بحث استرشادي قائم على خوارزمية A*، والتي يمكن أن تواجه أوقات تنفيذ تفوق الأسي عندما تتعلق بالمسارات الطويلة أو الشذوذات الكبيرة.

تقوم الورقة البحثية الجديدة بتقديم إعادة صياغة لهذا التحقق من التوافق من خلال استخدام برنامج خطي غير معياري (Totally Unimodular Linear Program) مبنيّ على رسم بياني للوصلية لمنتج متزامن. من خلال استغلال الهيكل الأساسي لتدفق الشبكة، تضمن الصيغة المقترحة وجود حل مثالي وعددي من النقاط المتطرفة من خلال استرخاء البرنامج الخطي، مما يتجنب التعقيدات المصاحبة للمتغيرات الكاملة والبحث بتقسيم الشجرة.

وقد أجرينا تقييمًا تجريبيًا موسعًا على أكثر من 2.1 مليون حالة من حالات التحقق من التوافق المستمدة من مجموعات بيانات حقيقية وصناعية. وأظهرت النتائج أن كل من خوارزمية A* والنهج القائم على البرنامج الخطي يظهران خصائص أداء تكميلية: إذ أن A* تُظهر أداءً ممتازًا في المسارات القصيرة والمطابقة بشكل جيد، بينما توفر صيغة البرنامج الخطي تسريعات كبيرة في حالات المسارات الأطول مع الشذوذات، حيث يكون التحقق من التوافق الأكثر إفادة.

استنادًا إلى هذه النتائج، قدمنا توجيهات بسيطة لاختيار الخوارزميات التي تجمع بين كلا النهجين، مما يحقق متوسط توفير في وقت التنفيذ بنسبة 38.6% مع دقة اختيار بلغت 96% مقارنة باستخدام A* بشكل دائم.