Drools 规则引擎-学习笔记（一）

Knowledge representation ：人工智能领域的有关知识是如何表达与操作的。

Expert System : 专家系统也被称作 Knowledge-based System, 然而早期的专家系统是把逻辑硬编码的。
Drools是一个Rule Engine， 它使用rule-based的方法实现专家系统, 可以更正确的归类为Production Rule System-产生式规则系统.

Production Rule System 是一种Rule Engine， 也是一种Expert System.
一个Production Rule System是Turing complete(图灵完全)的。The brain of a Production Rule System 是一个推理引擎（Inference Engine）。 推理引擎是用来匹配facts and data与Production Rules的， 这个过程可以叫做模式匹配（Pattern Matching）. 用于推理引擎的模式匹配算法包括： Linear, Rete, Treat, Leaps.

 

Drools 实现并继承了Rete算法，Leaps过去也实现过但现在已经retired了，由于其变的unmaintained了。Drools的Rete实现称作ReteOO， 表示： the Rete algorithm for object oriented systems.

Rules 存储在Production Memory中，而对应的facts存储在Working Memory中。由于系统中可能包含很多规则与事实， 可能匹配的时候出现多个规则匹配成功，这样会出现执行冲突(Be in conflict). 这里就出现了Agenda 了， 这个用来保证冲突规则的执行顺序的， 当然要通过一些冲突解决策略（Conflict Resolution strategy）。

对于一个Rule System来说， 有两种执行方法：Forward Chaining 和 Backward Chaining。同时运用两种方法的可以称作混合规则系统（Hybrid Rule Systems）.

 

Forward chaining 是“data-driven”的，简单地讲，就是以fact开始的，事实传播然后以一个conclusion结束。Drools就是一个forward chaining engine.

Backward Chaining是一个“goal-driven”的，简单地讲，就是一个以conclusion开始的， 然后引擎去尝试去satisfy这个结论。如果不能满足的话， 就又去查询其他能被satisfy的conclusions.Drools计划在未来的版本中提供对Backward Chaining的支持。

 

规则引擎的Advantages：
Declarative Programming：　tell the Rule engines What to do , not  How todo.
Logic and Data Separation(逻辑与数据分离)：data is in your domain objects, and the logic is in the rules. 这个从根本上break了数据与逻辑的面向对象耦合。

 

Drools的规则引擎使用步骤：
用KnowledgeBuilder的实例去编译规则.drl文件；
然后获得一个KnowledgeBase 实例，把上步骤中builder实例获取的KnowledgePackage添加到 KnowledgeBase实例中；
建立一个Knowledge session，接着insert facts,  再fireAllRules.