本文參考：專家系統中的推理機實現
專家系統
專家系統：模仿人類專家的思維方式進行決策的人工智能算法，算法核心是“知識庫（knowledge base）”和“推理機（inference engine）”。專家系統通常包括6個部分：人機交互界面、知識庫、綜合數據庫、推理機、解釋器、知識獲取。
- 知識庫：包含解決問題相關的領域知識。在基於規則的專家系統中，知識用一組規則來表達。其具有IF（條件）THEN（行為）結構，當規則的條件被滿足時，觸發規則，繼而執行行為。
- 數據庫：包含一組事實，用於匹配知識庫中的IF（條件）。
- 推理機：執行推理，專家系統由此找到解決方案。推理引擎鏈接知識庫中的規則和數據庫中的事實。
- 解釋器：用戶使用解釋器查看專家系統怎樣得出解決方案的過程。
- 人機交互界面：人機交互界面是實現用戶（查詢問題解決方案）和專家系統之間交流的途徑。
一個完整的專家系統圖示如下：
推理機
“推理機”根據“知識庫”對“數據庫”做出決策的基本原理圖如下：
CLIPS（C Language Integrated Production System）是一類推理機，原則上可以處理各種領域的推理任務，只要系統能夠為CLIPS提供這個領域的特有領域規則(知識庫)和事實信息(數據庫)。
Jess
Jess(Java Expert Shell System)是基於Java語言的CLISP推理機。Jess(CLIPS)的優點是：推理機是開放的，用戶提供不同的規則系統，就可以進行不同領域的推理工作，用戶可以對推理機的推理能力進行擴展。但，作為前向推理系統，Jess用空間換時間，推理會產生大量的中間數據，空間效率很低；同時，由於Jess(CLIPS)是通用推理引擎，不可能提供針對各種具體領域的優化能力，使得這種推理機制的效率很難優化。
針對本體的幾類推理機
針對本體的推理一般集中在集中標准的本體語言上，如OWL、RDFS/RDF、DAML等。針對本體的推理機，如Jena、Pellet、FaCT、RACER等，效率較高，但推理能力局限在以上的本體語言中。
Jena
Jena是面向語義Web的應用開發包，包含的內容比較全面，推理機只是其中一部分。但Jena本身並不是‘推理機設計專家’，它自身包含的推理機基本上就是一種CLIPS配合本體領域產生式規則的前向推理系統。因此，它的運行效率不是很高。好在現在有DIG接口，DIG有點象數據庫中的ODBC，允許前端掛接到后台不同的推理引擎上。
Pellet
Pellet是一個較為“專業”的推理機，由美國馬里蘭大學（College Park分校）的MindSwap實驗室開發。Pellet是基於Java的開放源碼系統。Pellet效率較高，但是缺乏對本體規則語言SWRL的支持並且支持的查詢語言不夠全面，一般只是進行A-Box推理的時候使用Pellet，如果牽涉到T-Box則推薦使用Racer。
RACER
Racer由德國漢堡大學開發，采用Tableaux算法。給定一個Tbox后，Racer可以完成各種查詢服務，在Tbox方面推理能力較強，對大本體文件支持良好。但是Racer不支持對枚舉類和用戶自定義數據類型的推理。
FaCT++
FaCT++是FaCT的新一代產品，由英國曼城斯特大學開發，采用Tableaux算法。Fact++采用了c++語言，但是沒有提供OWL接口，不支持對實例的查詢。
Hermit
HermiT支持OWL2本體語言的所有特性，包括OWL 2的所有數據類型，並且它正確地執行對象和數據屬性分類，其中有些推理任務並不完全由其他OWL推理器支持。
在Protege中，常用的OWL推理機主要包括HermiT、FaCT、Pellet。
[1] 潘超, 古輝. 本體推理機及應用[J]. 計算機系統應用, 2010, 19(009):163-167.