流程挖掘的常用算法包括Apriori算法、FP-growth算法等。这些算法主要用于从事件日志中挖掘出流程模型，以揭示实际业务流程的执行情况。

Apriori算法是一种经典的频繁项集挖掘算法，它通过迭代的方式找出数据集中频繁出现的项集，进而生成流程模型。Apriori算法的优点是易于理解和实现，能够处理大规模数据集。然而，它的缺点也很明显，即需要多次扫描数据集，且在处理稀疏数据时效率较低。

FP-growth算法则是一种更高效的频繁项集挖掘算法，它通过构建FP树来压缩数据集，并直接在FP树上进行挖掘，避免了Apriori算法的多次扫描问题。FP-growth算法在处理大规模数据集时具有更高的效率，但其缺点是构建FP树的过程可能较为复杂，且需要额外的内存空间。

这些算法在流程挖掘中的应用具有一定的局限性，例如可能无法准确处理包含噪声或不完整轨迹的事件日志。为了克服这些问题，研究者们不断提出新的流程挖掘算法，如基于深度学习的流程挖掘算法等，以进一步提高流程挖掘的准确性和效率。

此外，流程挖掘的准确性不仅取决于算法本身，还与数据质量、模型质量等因素有关。因此，在进行流程挖掘时，需要综合考虑各种因素，选择合适的算法和工具，以获得更准确的挖掘结果。

流程挖掘是一个活跃的研究领域，新的算法和技术不断涌现。因此，对于最新的流程挖掘算法和技术，建议查阅相关领域的最新研究文献以获取更详细的信息。