Rete算法是Charles Forgy在1979年的论文中首次提出的，针对基于规则知识表现的模式匹配算法。目前来说，大部分规则引擎还是基于rete算法作为核心，但都有所改进，比如drool，jess等等，下面介绍rete算法的概念
1.rete 算法
Rete算法是一种高效的模式匹配算法用来实现产生式规则系统
（空间换时间，用内存换取匹配速度）
它是高效的算法，它通过缓存避免了相同条件多次评估的情况，但是带来了大量的内存使用
Rete 在拉丁语中是 ”net” ，有网络的意思；Rete算法通过规则条件生成了一个网络，每个规则条件是网络中的一个节点
rete可以被分为两部分：规则编译和运行时执行。规则编译是指根据规则集生成推理网络的过程，运行时执行指将数据送入推理网络进行筛选的过程。
2.规则编译
规则编译就是根据规则文件推理生成网络的过程。下面展示一下推理后的网络节点图。（大家只用看一下，心里有个印象就好，下面我会分析讲解）
图一
2.1 Root Node:
（如图一的黑色节点） 根节点（RootNode）是所有对象进入网络的入口，然后进入到TypeNode
2.2 Type Node
(有的叫ObjectTypeNode，图一的红色节点): type Node 就是我们的fact 也就是我们规则所用到的pojo；每个fact 就是一个 type node。 type Node 就是类型检查，引擎只让匹配Object 类型的对象到达节点，它能够传播到 AlphaNodes、LeftInputAdapterNodes （作为betaNodes的左端输入节点）和 BetaNodes
举例：有两个fact ，Person 和cheese 。那么节点图就如下所示。
2.3 Alpha Node
:(图一的蓝色节点)用来评估字面条件，例如。person.age>10 这就是一个 alpha node 节点，当一条规则有多条字面条件，这些字面条件被链接到一起。
Drools 通过散列法优化了从 ObjectTypeNode 到 AlphaNode 的传播。每次一个 AlphaNode 被加到一个 ObjectTypeNode 的时候，就以字面值（ literal value ）作为 key ，以 AlphaNode 作为 value 加入 HashMap 。当一个新的实例进入 ObjectTypeNode 的时候，不用传递到每一个 AlphaNode ，它可以直接从 HashMap 中获得正确的 AlphaNode ，避免了不必要的字面检查。
举例 1:条件 Cheese （name＝”cheddar” ,strengh==”strong”)
解释：name 和 strengh 都是对象Cheese 的属性，且name 和 strengh两个条件的关系是且，必须同时满足拿么节点图如下所示：
举例 2:在举例1 的条件上添加另外一条规则 Cheese （name＝”cheddar” ,age>10)
解释：name 和 age 都是对象Cheese 的属性，且name 和 age两个条件的关系是且，必须同时满足，拿么结合举例1的节点图，如下所示：
此时我们发现我门共享了（name＝＝“cheddar“） 节点。
2.4 Bate Node:
（如图一的绿色节点）用来对2个对象进行对比、检查。约定BetaNode的2个输入称为左边（Join Node）和右边。左边通常是一个a list of objects，右边（NotNode）通常是 a single object。每个Bate节点都有自己的终端节点等组成
BetaNode 具有记忆功能。左边的输入被称为 Beta Memory，会记住所有到达过的语义。右边的输入成为 Alpha Memory，会记住所有到达过的对象。
举例：条件 Cheese （name＝”cheddar” ) Person（favouriteiteCheese==”cheese.name”）。
解释：这个两个对象Cheese和Person 的关联操作。Cheese的name＝”cheddar” 且cheese.ame ＝＝favouriteiteCheese。那么节点图如下所示。
图中黄色的node 我门称为LeftInputAdapterNode，这个节点的作用是将一个single Object转化为一个单对象数组（single Object Tuple），传播到JoinNode节点。因为我们上面提到过左边输入通常是a list of objects。
举例2：
rule
when
Cheese( $cheddar : name == "cheddar" )
$person : Person( favouriteCheese == $cheddar )
then
System.out.println( $person.getName() + " likes cheddar" );
end
rule
when
Cheese( $cheddar : name == "cheddar" )
$person : Person( favouriteCheese != $cheddar )
then
System.out.println( $person.getName() + " does not like cheddar" );
end- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
网络图如下：
Drools 通过节点的共享来提高规则引擎的性能。因为很多的规则可能存在部分相同的模式，节点的共享允许我们对内存中的节点数量进行压缩，以提供遍历节点的过程
从图上可以看到，编译后的RETE网络中，AlphaNode是共享的，而BetaNode不是共享的。上面说的相等和不相等就体现在BetaNode的不同。然后这两条规则有各自的Terminal Node。
2.5 创建 rete 网络
Rete 算法的编译结果是创建了规则集对应的 Rete 网络 , 它是一个事实可以在其中流动的图。创建 rete 网络的过程 [1]如下：
1) 创建根节点；
2) 加入一条规则
a. 取出规则中的一个模式 ，（模式就是规则中的最小一个匹配项例如（age>10,age<20）拿么age>10 就是一个模式，age<20 就是另一个模式。）检查模式中的参数类型，如果是新类型(也就是新的fact类型)，则加入一个类型节点；
b. 检查模式 对应的 Alpha 节点是否已存在，如果存在则记录下节点位置，如果没有则将模式 作为一个 Alpha 节点加入到网络中，同时根据 Alpha 节点的模式建立 Alpha 内存表；
c. 重复 b 直到所有的模式处理完毕；
d. 组合 Beta 节点，按照如下方式： Beta 左输入节点为 Alpha(1)，右输入节点为 Alpha(2) 。Beta(i) 左输入节点为 Beta(i-1)，右输入节点为 Alpha(i) i>2 并将两个父节点的内存表内联成为自己的内存表；
e. 重复 d 直到所有的 Beta 节点处理完毕；
f. 将动作（Then 部分）封装成叶节点（Action 节点）作为 Beta(n) 的输出节点；
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
3) 重复 2) 直到所有规则处理完毕； 执行完上述步骤，建立的 rete 网络图
3. 运行时执行
WME ：存储区储存的最小单位是工作存储区元素（Working Memory Element，简称WME），WME是为事实建立的元素，是用于和非根结点代表的模式进行匹配的元素。
Token：是WME的列表，包含有多个WME，（在Forgy的论文中，把Token看成是WME的列表或者单个WME，为了阐述方便，本文将把Token只看成WME的列表）
（1）如果WME的类型和根节点的后继结点TypeNode（alpha结点的一种）所指定的类型相同，则会将该事实保存在该TypeNode结点对应的alpha存储区中，该WME被传到后继结点继续匹配，否则会放弃该WME的后续匹配；
TypeNode存储： 每次一个AlphaNode被加到一个 ObjectTypeNode的时候，就以字面值（literal value）也就是file 作为key，以AlphaNode作为value加入HashMap。当一个新的实例进入ObjectTypeNode的时候，不用传递到每 一个AlphaNode，它可以直接从HashMap中获得正确的AlphaNode，避免了不必要的字面检查。
- 1
- 2
（2）如果WME被传递到alpha结点，则会检测WME是否和该结点对应的模式相匹配，若匹配，则会将该事实保存在该alpha结点对应的存储区中，该WME被传递到后继结点继续匹配，否则会放弃该WME的后续匹配；
alpha 存储：检测WME是否和该结点对应的模式相匹配，若匹配，则会将该事实保存在该alpha结点对应的存储区中，该WME被传递到后继结点继续匹配
- 1
- 2
（3）如果WME被传递到beta结点的右端，则会加入到该beta结点的right存储区，并和left存储区中的Token进行匹配（匹配动作根据beta结点的类型进行，例如：join，projection，selection），匹配成功，则会将该WME加入到Token中，然后将Token传递到下一个结点，否则会放弃该WME的后续匹配；
bate存储区：
每个非根结点都有一个存储区。其中1-input（alpha）结点有alpha存储区和一个输入口；
2-input（bate）结点有left存储区和right存储区和左右两个输入口，其中left存储区是beta存储区，right存储区是alpha存储区。存储区储存的最小单位是工作存储区元素（Working Memory Element，简称WME），WME是为事实建立的元素，是用于和非根结点代表的模式进行匹配的元素。
- 1
- 2
- 3
- 4
- 5
- 6
（4）如果Token被传递到beta结点的左端，则会加入到该beta结点的left存储区，并和right存储区中的WME进行匹配（匹配动作根据beta结点的类型进行，例如：join，projection，selection），匹配成功，则该Token会封装匹配到的WME形成新的Token，传递到下一个结点，否则会放弃该Token的后续匹配；
（5）如果WME被传递到beta结点的左端，将WME封装成仅有一个WME元素的WME列表做为Token，然后按照（4）所示的方法进行匹配；
（6）如果Token传递到终结点，则和该根结点对应的规则被激活，建立相应的Activation，并存储到Agenda当中，等待激发。
（7）如果WME被传递到终结点，将WME封装成仅有一个WME元素的WME列表做为Token，然后按照（6）所示的方法进行匹配；
以上是RETE算法对于不同的结点，来进行WME或者token和结点对应模式的匹配的过程。
4. Rete 算法的特点：
a． Rete 算法是一种启发式算法，不同规则之间往往含有相同的模式，因此在 beta-network 中可以共享 BetaMemory 和 betanode。如果某个 betanode 被 N 条规则共享，则算法在此节点上效率会提高 N 倍。
b. Rete 算法由于采用 AlphaMemory 和 BetaMemory 来存储事实，当事实集合变化不大时，保存在 alpha 和 beta 节点中的状态不需要太多变化，避免了大量的重复计算，提高了匹配效率。
c. 从 Rete 网络可以看出，Rete 匹配速度与规则数目无关，这是因为事实只有满足本节点才会继续向下沿网络传递。
5. Rete 算法的不足：
a. 事实的删除与事实的添加顺序相同, 除了要执行与事实添加相同的计算外, 还需要执行查找, 开销很高 [3]。
b. RETE 算法使用了β存储区存储已计算的中间结果, 以牺牲空间换取时间, 从而加快系统的速度。然而β存储区根据规则的条件与事实的数目而成指数级增长, 所以当规则与事实很多时, 会耗尽系统资源 [3]。
针对 Rete 算法的特点和不足，在应用或者开发基于 Rete 算法的规则引擎时，提出如下建议：
a. 容易变化的规则尽量置后匹配，可以减少规则的变化带来规则库的变化。
b. 约束性较为通用或较强的模式尽量置前匹配，可以避免不必要的匹配。
c. 针对 Rete 算法内存开销大和事实增加删除影响效率的问题，技术上应该在 alpha 内存和 beata 内存中，只存储指向内存的指针，并对指针建里索引（可用 hash 表或者非平衡二叉树）。
d. Rete 算法 JoinNode 可以扩展为 AndJoinNode 和 OrJoinNode，两种节点可以再进行组合 [5]。
- 1
- 2
- 3
- 4
- 5