rete演算法學習

這是一個建立於 的文章，其中的資訊可能已經有所發展或是發生改變。

在上篇部落格中，介紹了策略型商務邏輯處理中幾種選擇，其中有一種選擇就是利用規則引擎來進行邏輯處理。其實藏在規則引擎的底層中還是有很多演算法的，其中有一種演算法是rete演算法，最近正好也關注演算法，就簡單的學習了一下，因為對這個演算法理解的非常清楚，所以如果有有對這個演算法熟悉的朋友，可以給予指正。

 

RETE演算法是一個用於產生式系統的高效模式比對演算法。在一個產生式系統中，被處理的資料叫做working memory，用於判定的規則分為兩個部分LHS（left-hand-side）和RHS（right hand side），分別表示前提和結論。主要流程可以分為以下步驟：

1. Match：找出符合LHS部分的working memory集合
2. Confilict resolution：選出一個條件被滿足的規則
3. Act：執行RHS的內容
4. 返回1  

RETE演算法主要改進Match的處理過程，通過構建一個網路進行匹配。

 

演算法詳細描述

 

RETE網路主要分為兩個部分，alpha網路和beta網路。如所示（圖片引用其他網站）。

 

 

 

（1）alpha網路：過濾working memory，找出符合規則中每一個模式的集合，產生alpha memory（滿足該模式的集合）。有兩種類型的節點，過濾type的節點和其他條件過濾的節點。

（2）Beta網路：有兩種類型的節點Beta Memory和Join Node。前者主要儲存Join完成後的集合。後者包含兩個輸入口，分別輸入需要匹配的兩個集合，由Join節點做合并工作傳輸給下一個節點。

 

 匹配流程說明

1. 匯入需要處理的事實到facts集合中。
2. 如果facts不為空白，選擇一個fact進行處理。否則停止匹配過程。
3. 選擇alpha網的第一個節點運行（建立網路的時候設定的），通過該節點則進入alpha網的下一個節點，直到進入alpha memory。否則跳轉到下一條判斷路徑
4. 將alpha memory的結果加入到beta memory中，如果不為Terminal節點，則檢測另一個輸入集合中是否存在滿足條件的事實，滿足則執行join，進入到下一個beta memory重複執行3。若另一個輸入集合無滿足條件的事實，返回到2。如果該節點為Terminal節點，執行ACT並添加到facts中。

 用一個例子描述過程

（1）現在WME中有以下這些事實。

w1：（B1 ^on B2）

w2：（B1 ^on B3）

w3：（B1 ^color red）

w4：（B2 ^on table）

w5：（B2 ^left-of B3）

w6：（B2 ^color blue）

w7：（B3 ^left-of B4）

w8：（B3 ^on table）

w9：（B3 ^color red）

 

（2）下面描述規則

下面是三條匹配條件

C1: （<x> ^on <y>）

C2：（<y> ^left-of <z>）

C3：（<z> ^color red）

下面是規則要滿足的所有條件，即所有LHS

p1 has conditions C1^C2^C3

p2 has conditions C1^C2^C4^C5

p3 has conditions C1^C2^C4^C3

 

（3）推理描述

     根據Ci，圖中的藍色alpha結點應該有三種，分別判定on，left-of和color。則黃色的alpha memory中包含三個集合，分別是

滿足C1：{w1 w2 w4 w8}

滿足C2：{w5 w7}

滿足C3：{w2 w6 w9}

     以p1為例，首先以C1，C2為輸入，在綠色Dummy Input節點中進行操作，並傳入到梅紅色beta momory中，此時這個節點儲存的是（w1^w5,w2^w7）。然後以這個集合和C3為輸入，操作得出w1^w5^w9，此時發現沒有更多的模式需要匹配，到達Terminal節點，匹配結束。這樣就得到滿足規則的集合組合了。

 

通過這些理論和一個執行個體應該對rete演算法清除了些，下面部落格介紹drools規則引擎工具，它是一個實現Rete演算法的很好的規則引擎架構。