Rete算法是Charles Forgy在1979年的論文中首次提出的，針對基於規則知識表現的模式匹配算法。目前來說，大部分規則引擎還是基於rete算法作為核心，但都有所改進，比如drool，jess等等，下面介紹rete算法的概念
1.rete 算法
Rete算法是一種高效的模式匹配算法用來實現產生式規則系統
（空間換時間，用內存換取匹配速度）
它是高效的算法，它通過緩存避免了相同條件多次評估的情況，但是帶來了大量的內存使用
Rete 在拉丁語中是 ”net” ，有網絡的意思；Rete算法通過規則條件生成了一個網絡，每個規則條件是網絡中的一個節點
rete可以被分為兩部分：規則編譯和運行時執行。規則編譯是指根據規則集生成推理網絡的過程，運行時執行指將數據送入推理網絡進行篩選的過程。
2.規則編譯
規則編譯就是根據規則文件推理生成網絡的過程。下面展示一下推理后的網絡節點圖。（大家只用看一下，心里有個印象就好，下面我會分析講解）
圖一 
2.1 Root Node:
（如圖一的黑色節點） 根節點（RootNode）是所有對象進入網絡的入口，然后進入到TypeNode
2.2 Type Node
(有的叫ObjectTypeNode，圖一的紅色節點): type Node 就是我們的fact 也就是我們規則所用到的pojo；每個fact 就是一個 type node。 type Node 就是類型檢查，引擎只讓匹配Object 類型的對象到達節點，它能夠傳播到 AlphaNodes、LeftInputAdapterNodes （作為betaNodes的左端輸入節點）和 BetaNodes
舉例：有兩個fact ，Person 和cheese 。那么節點圖就如下所示。
2.3 Alpha Node
:(圖一的藍色節點)用來評估字面條件，例如。person.age>10 這就是一個 alpha node 節點，當一條規則有多條字面條件，這些字面條件被鏈接到一起。
Drools 通過散列法優化了從 ObjectTypeNode 到 AlphaNode 的傳播。每次一個 AlphaNode 被加到一個 ObjectTypeNode 的時候，就以字面值（ literal value ）作為 key ，以 AlphaNode 作為 value 加入 HashMap 。當一個新的實例進入 ObjectTypeNode 的時候，不用傳遞到每一個 AlphaNode ，它可以直接從 HashMap 中獲得正確的 AlphaNode ，避免了不必要的字面檢查。
舉例 1:條件 Cheese （name＝”cheddar” ,strengh==”strong”)
解釋：name 和 strengh 都是對象Cheese 的屬性，且name 和 strengh兩個條件的關系是且，必須同時滿足拿么節點圖如下所示：
舉例 2:在舉例1 的條件上添加另外一條規則 Cheese （name＝”cheddar” ,age>10)
解釋：name 和 age 都是對象Cheese 的屬性，且name 和 age兩個條件的關系是且，必須同時滿足，拿么結合舉例1的節點圖，如下所示：
此時我們發現我門共享了（name＝＝“cheddar“） 節點。
2.4 Bate Node:
（如圖一的綠色節點）用來對2個對象進行對比、檢查。約定BetaNode的2個輸入稱為左邊（Join Node）和右邊。左邊通常是一個a list of objects，右邊（NotNode）通常是 a single object。每個Bate節點都有自己的終端節點等組成
BetaNode 具有記憶功能。左邊的輸入被稱為 Beta Memory，會記住所有到達過的語義。右邊的輸入成為 Alpha Memory，會記住所有到達過的對象。
舉例：條件 Cheese （name＝”cheddar” ) Person（favouriteiteCheese==”cheese.name”）。
解釋：這個兩個對象Cheese和Person 的關聯操作。Cheese的name＝”cheddar” 且cheese.ame ＝＝favouriteiteCheese。那么節點圖如下所示。
圖中黃色的node 我門稱為LeftInputAdapterNode，這個節點的作用是將一個single Object轉化為一個單對象數組（single Object Tuple），傳播到JoinNode節點。因為我們上面提到過左邊輸入通常是a list of objects。
舉例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
網絡圖如下：
Drools 通過節點的共享來提高規則引擎的性能。因為很多的規則可能存在部分相同的模式，節點的共享允許我們對內存中的節點數量進行壓縮，以提供遍歷節點的過程
從圖上可以看到，編譯后的RETE網絡中，AlphaNode是共享的，而BetaNode不是共享的。上面說的相等和不相等就體現在BetaNode的不同。然后這兩條規則有各自的Terminal Node。
2.5 創建 rete 網絡
Rete 算法的編譯結果是創建了規則集對應的 Rete 網絡 , 它是一個事實可以在其中流動的圖。創建 rete 網絡的過程 [1]如下：
1) 創建根節點；
2) 加入一條規則
a. 取出規則中的一個模式 ，（模式就是規則中的最小一個匹配項例如（age>10,age<20）拿么age>10 就是一個模式，age<20 就是另一個模式。）檢查模式中的參數類型，如果是新類型(也就是新的fact類型)，則加入一個類型節點；
b. 檢查模式 對應的 Alpha 節點是否已存在，如果存在則記錄下節點位置，如果沒有則將模式 作為一個 Alpha 節點加入到網絡中，同時根據 Alpha 節點的模式建立 Alpha 內存表；
c. 重復 b 直到所有的模式處理完畢；
d. 組合 Beta 節點，按照如下方式： Beta 左輸入節點為 Alpha(1)，右輸入節點為 Alpha(2) 。Beta(i) 左輸入節點為 Beta(i-1)，右輸入節點為 Alpha(i) i>2 並將兩個父節點的內存表內聯成為自己的內存表；
e. 重復 d 直到所有的 Beta 節點處理完畢；
f. 將動作（Then 部分）封裝成葉節點（Action 節點）作為 Beta(n) 的輸出節點；
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
3) 重復 2) 直到所有規則處理完畢； 執行完上述步驟，建立的 rete 網絡圖
3. 運行時執行
WME ：存儲區儲存的最小單位是工作存儲區元素（Working Memory Element，簡稱WME），WME是為事實建立的元素，是用於和非根結點代表的模式進行匹配的元素。
Token：是WME的列表，包含有多個WME，（在Forgy的論文中，把Token看成是WME的列表或者單個WME，為了闡述方便，本文將把Token只看成WME的列表）
（1）如果WME的類型和根節點的后繼結點TypeNode（alpha結點的一種）所指定的類型相同，則會將該事實保存在該TypeNode結點對應的alpha存儲區中，該WME被傳到后繼結點繼續匹配，否則會放棄該WME的后續匹配；
TypeNode存儲： 每次一個AlphaNode被加到一個 ObjectTypeNode的時候，就以字面值（literal value）也就是file 作為key，以AlphaNode作為value加入HashMap。當一個新的實例進入ObjectTypeNode的時候，不用傳遞到每 一個AlphaNode，它可以直接從HashMap中獲得正確的AlphaNode，避免了不必要的字面檢查。
- 1
- 2
（2）如果WME被傳遞到alpha結點，則會檢測WME是否和該結點對應的模式相匹配，若匹配，則會將該事實保存在該alpha結點對應的存儲區中，該WME被傳遞到后繼結點繼續匹配，否則會放棄該WME的后續匹配；
alpha 存儲：檢測WME是否和該結點對應的模式相匹配，若匹配，則會將該事實保存在該alpha結點對應的存儲區中，該WME被傳遞到后繼結點繼續匹配
- 1
- 2
（3）如果WME被傳遞到beta結點的右端，則會加入到該beta結點的right存儲區，並和left存儲區中的Token進行匹配（匹配動作根據beta結點的類型進行，例如：join，projection，selection），匹配成功，則會將該WME加入到Token中，然后將Token傳遞到下一個結點，否則會放棄該WME的后續匹配；
bate存儲區：
每個非根結點都有一個存儲區。其中1-input（alpha）結點有alpha存儲區和一個輸入口；
2-input（bate）結點有left存儲區和right存儲區和左右兩個輸入口，其中left存儲區是beta存儲區，right存儲區是alpha存儲區。存儲區儲存的最小單位是工作存儲區元素（Working Memory Element，簡稱WME），WME是為事實建立的元素，是用於和非根結點代表的模式進行匹配的元素。
- 1
- 2
- 3
- 4
- 5
- 6
（4）如果Token被傳遞到beta結點的左端，則會加入到該beta結點的left存儲區，並和right存儲區中的WME進行匹配（匹配動作根據beta結點的類型進行，例如：join，projection，selection），匹配成功，則該Token會封裝匹配到的WME形成新的Token，傳遞到下一個結點，否則會放棄該Token的后續匹配；
（5）如果WME被傳遞到beta結點的左端，將WME封裝成僅有一個WME元素的WME列表做為Token，然后按照（4）所示的方法進行匹配；
（6）如果Token傳遞到終結點，則和該根結點對應的規則被激活，建立相應的Activation，並存儲到Agenda當中，等待激發。
（7）如果WME被傳遞到終結點，將WME封裝成僅有一個WME元素的WME列表做為Token，然后按照（6）所示的方法進行匹配；
以上是RETE算法對於不同的結點，來進行WME或者token和結點對應模式的匹配的過程。
4. Rete 算法的特點：
a． Rete 算法是一種啟發式算法，不同規則之間往往含有相同的模式，因此在 beta-network 中可以共享 BetaMemory 和 betanode。如果某個 betanode 被 N 條規則共享，則算法在此節點上效率會提高 N 倍。
b. Rete 算法由於采用 AlphaMemory 和 BetaMemory 來存儲事實，當事實集合變化不大時，保存在 alpha 和 beta 節點中的狀態不需要太多變化，避免了大量的重復計算，提高了匹配效率。
c. 從 Rete 網絡可以看出，Rete 匹配速度與規則數目無關，這是因為事實只有滿足本節點才會繼續向下沿網絡傳遞。
5. Rete 算法的不足：
a. 事實的刪除與事實的添加順序相同, 除了要執行與事實添加相同的計算外, 還需要執行查找, 開銷很高 [3]。
b. RETE 算法使用了β存儲區存儲已計算的中間結果, 以犧牲空間換取時間, 從而加快系統的速度。然而β存儲區根據規則的條件與事實的數目而成指數級增長, 所以當規則與事實很多時, 會耗盡系統資源 [3]。
針對 Rete 算法的特點和不足，在應用或者開發基於 Rete 算法的規則引擎時，提出如下建議：
a. 容易變化的規則盡量置后匹配，可以減少規則的變化帶來規則庫的變化。
b. 約束性較為通用或較強的模式盡量置前匹配，可以避免不必要的匹配。
c. 針對 Rete 算法內存開銷大和事實增加刪除影響效率的問題，技術上應該在 alpha 內存和 beata 內存中，只存儲指向內存的指針，並對指針建里索引（可用 hash 表或者非平衡二叉樹）。
d. Rete 算法 JoinNode 可以擴展為 AndJoinNode 和 OrJoinNode，兩種節點可以再進行組合 [5]。
- 1
- 2
- 3
- 4
- 5