由于工作中长时间使用drools进行开发规则引擎,没有及时的将该规则引擎进行分享出来,以下是drools流的介绍:
Drools(JBoss Rules )具有一个易于访问企业策略、易于调整以及易于管理的开源业务规则引擎,符合业内标准,速度快、效率高。业务分析师或审核人员可以利用它轻松查看业务规则,从而检验是否已编码的规则执行了所需的业务规则。
Drools Flow为Drools平台提供了工作流或者(业务)流程能力。一个业务流程或者工作流使用一个流程图表描述了一系列需要执行的步骤的顺序。这使得它更容 易来描述一个各种不同任务的复杂组合。流程在描述基于状态的,长时间运行的过程时特别有用。Drools Flow允许最终用户使用这些流程来指定,执行和监控(一部分)他们的业务逻辑。Drools Flow流程框架可以很容易地嵌入到任何的Java应用中(作为一个简单的Java组件)或者能够以一个服务器环境的模式独立运行。
Drools 流是一个工作流或流程的引擎,允许流程和规则的高级集成。流程或工作流使用流程图描述了需要执行的一系列步骤的顺序。如下图所示: 执行 tested 或 test 后在执行 test2,rule 完成结束。
第一步:首先创建一个drools project 项目工作;
第二步:创建一个 *.drl 文件,和一个 *.rf 文件;对于drl 文件时存放规则库的,rf文件定义的规则流的流程;
*.drl 文件内容:
package com.wm
import com.sample.RuleFlow;
#list any import classes here.
#declare any global variables here
#说明:如果在规则流中使用组建Gateway为split ,
#在规则中更新workingmemory中不会被其他规则使用更新后的值
rule "First"
lock-on-active true
ruleflow-group 'tested'
when
$rf:RuleFlow(userName=="wangm");
# eval($rf.getUserName()=="wangm");
then
$rf.setAge(10);
$rf.setUserName("wangmm");
update($rf);
System.out.println($rf.getUserName());
end
rule "Second"
no-loop true
#lock-on-active true
ruleflow-group 'test'
when
$rf:RuleFlow(userName=="wangm" && age < 18);
then
$rf.setSource(58);
update($rf);
System.out.println("未成年");
end
rule "Third"
no-loop true
#lock-on-active true
ruleflow-group 'test'
when
$rf:RuleFlow(userName=="wangmm" && age >= 18);
then
$rf.setSource(100);
update($rf);
System.out.println("已成年");
end
rule "Third2"
no-loop true
ruleflow-group 'test2'
when
$rf:RuleFlow(userName=="wangmm" && source < 60);
then
System.out.println($rf.getUserName()+"的年龄为"+$rf.getAge()+" 成绩为"+$rf.getSource()+" 规则 (Third2)");
$rf.setSource($rf.getSource()+10);
update($rf);
end
rule "Third3"
no-loop true
# lock-on-active true
ruleflow-group 'test2'
when
$rf:RuleFlow(userName=="wangmm" && source >= 60);
then
System.out.println($rf.getUserName()+"的年龄为"+$rf.getAge()+" 成绩为"+$rf.getSource()+" 规则 (Third3)");
$rf.setSource($rf.getSource()+1);
update($rf);
end
rule "Third4"
no-loop true
# lock-on-active true
ruleflow-group 'test3'
when
$rf:RuleFlow();
eval(true);
then
System.out.println($rf.getUserName()+"的年龄为"+$rf.getAge()+" 成绩为"+$rf.getSource()+" 规则(Third4)");
end
*.rf 文件源码:
<?xml version="1.0" encoding="UTF-8"?>
<process xmlns="http://drools.org/drools-5.0/process"
xmlns:xs="http://www.w3.org/2001/XMLSchema-instance"
xs:schemaLocation="http://drools.org/drools-5.0/process drools-processes-5.0.xsd"
type="RuleFlow" name="flow2" id="1" package-name="com.wm" version="" >
<header>
</header>
<nodes>
<start id="1" name="Start" x="7" y="71" width="48" height="48" />
<ruleSet id="2" name="tested" x="177" y="16" width="80" height="48" ruleFlowGroup="tested" />
<end id="7" name="End" x="482" y="96" width="48" height="48" />
<ruleSet id="9" name="test" x="177" y="96" width="80" height="48" ruleFlowGroup="test" />
<ruleSet id="10" name="test2" x="328" y="178" width="80" height="48" ruleFlowGroup="test2" />
<split id="11" name="Gateway" x="88" y="95" width="49" height="49" type="3" >
<constraints>
<constraint toNodeId="9" toType="DROOLS_DEFAULT" name="toTest" priority="1" type="rule" dialect="java" >eval(true)</constraint>
<constraint toNodeId="2" toType="DROOLS_DEFAULT" name="toTested" priority="1" type="rule" dialect="java" >eval(true)</constraint>
</constraints>
</split>
<join id="12" name="dd" x="289" y="96" width="49" height="49" type="1" />
<ruleSet id="13" name="Rule" x="370" y="96" width="80" height="48" ruleFlowGroup="test3" />
</nodes>
<connections>
<connection from="11" to="2" />
<connection from="13" to="7" />
<connection from="11" to="9" />
<connection from="12" to="10" />
<connection from="1" to="11" />
<connection from="2" to="12" />
<connection from="9" to="12" />
<connection from="10" to="13" />
</connections>
</process>
第三步:创建一个测试类:代码如下
package com.sample;
import org.drools.KnowledgeBase;
import org.drools.KnowledgeBaseFactory;
import org.drools.builder.KnowledgeBuilder;
import org.drools.builder.KnowledgeBuilderError;
import org.drools.builder.KnowledgeBuilderErrors;
import org.drools.builder.KnowledgeBuilderFactory;
import org.drools.builder.ResourceType;
import org.drools.io.ResourceFactory;
import org.drools.logger.KnowledgeRuntimeLogger;
import org.drools.logger.KnowledgeRuntimeLoggerFactory;
import org.drools.runtime.StatefulKnowledgeSession;
/**
*
* Created on 2014-7-30
规则流测试类
*/
public class RuleFlowTest
{
public static void main(String[] args)
{
KnowledgeBuilder kbuilder = KnowledgeBuilderFactory.newKnowledgeBuilder();
// kbuilder.add(ResourceFactory.newClassPathResource("test3.drl"), ResourceType.DRL);
kbuilder.add(ResourceFactory.newClassPathResource("ruleFlow.drl"), ResourceType.DRL);
kbuilder.add(ResourceFactory.newClassPathResource("ruleflowed.rf"), ResourceType.DRF);
// kbuilder.add(ResourceFactory.newClassPathResource("dd.bpmn"), ResourceType.BPMN2);
KnowledgeBuilderErrors errors = kbuilder.getErrors();
if (errors.size() > 0) {
for (KnowledgeBuilderError error: errors) {
System.err.println(error);
}
throw new IllegalArgumentException("Could not parse knowledge.");
}
KnowledgeBase kbase = KnowledgeBaseFactory.newKnowledgeBase();
kbase.addKnowledgePackages(kbuilder.getKnowledgePackages());
StatefulKnowledgeSession ksession = kbase.newStatefulKnowledgeSession();
KnowledgeRuntimeLogger logger = KnowledgeRuntimeLoggerFactory.newFileLogger(ksession, "ruleflow");
RuleFlow rf = new RuleFlow();
rf.setUserName("wangm");
rf.setSex("男");
rf.setAge(18);
rf.setSource(88);
ksession.insert(rf);
ksession.startProcess("1");
ksession.fireAllRules();
ksession.dispose();
}
}
通过以上也就是一个简单入门的规则流实例,对于源代码可以从附件中下载。
其他可以参考:
http://www.cnblogs.com/skyme/archive/2011/11/14/2245558.html
- 大小: 39.4 KB
分享到:
相关推荐
A级景区数据文件json
python 使用Java编写的坦克大战小游戏.zip学习资料
项目资源包含:可运行源码+sql文件+; python3.7+flask+spark+mysql5.7+vue 适用人群:学习不同技术领域的小白或进阶学习者;可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 项目具有较高的学习借鉴价值,也可拿来修改、二次开发。 有任何使用上的问题,欢迎随时与博主沟通,博主看到后会第一时间及时解答。 系统是一个很好的项目,结合了后端服务(flask)和前端用户界面(Vue.js)技术,实现了前后端分离。 后台路径地址:localhost:8080/项目名称/admin/dist/index.html 前台路径地址:localhost:8080/项目名称/front/index.html
1.执行setup64.bat注册com组件。文件是64位系统,如果是32位系统请自行修改(C:\Windows\System32) 2.程序目标框架改为.net4,否则报错。
内容概要:本文档主要讲解了使用不同编程语言在控制台绘制爱心图形的方法,特别提供了Python语言的具体实现代码。其中包括了一个具体的函数 draw_heart() 实现,使用特定规则在控制台上输出由星号组成的心形图案,代码展示了基本的条件判断以及字符打印操作。 适合人群:对编程有兴趣的学生或者初学者,特别是想要学习控制台图形输出技巧的人。 使用场景及目标:适合作为编程入门级练习,帮助学生加深对于控制流、字符串处理及图形化输出的理解。也可以作为一个简单有趣的项目用来表达情感。 阅读建议:建议读者尝试动手运行并修改代码,改变输出图形的颜色、大小等特性,从而提高对Python基础语法的掌握程度。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。
AI's prompts
EigenCAM for YOLO V8 可解释性用于在新的 YOLO V8 模型上应用 EigenCAM 的软件包。只需克隆软件包并导入模块即可开始使用。其基本结构接近Jacob Gil 的 AI 可解释性软件包,经过修改后可用于 YOLO V8 模型。使用案例它目前可用于 YOLO V8 分类和对象检测模型。将添加对其他任务的支持。您还可以发送拉取请求以为其添加更多功能。什么是 EigenCAMEigenCAM 是一种涉及计算神经网络中 2D 激活的第一个主成分的技术,不考虑类别区分,并且已被发现能产生有效的结果。图像灰度热图物体检测 分类 分割 综合物体检测 分类 分割 物体检测模型分类模型分割模型入门只需克隆此存储库或下载 yolo_cam 文件夹即可。你必须将 yolo_cam 文件夹放在与笔记本相同的位置首先导入库from yolo_cam.eigen_cam import EigenCAMfrom yolo_cam.utils.image import show_cam_on_image, scale_c
彩蝶ARP防火墙,很好用!不过只能在XP系统安装!
前端/后端/AI/运维/全栈工程师 常用工具 2024年最新版
该资源内项目源码是个人的课程设计、毕业设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过严格测试运行成功才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。
研究报告
行业研究报告、行业调查报告、研报
Tensorrt YOLOv8 的简单实现B站教学视频https://www.bilibili.com/video/BV1Pa4y1N7HS介绍基于Tensorrt加速Yolov8,本采用项目ONNX转Tensorrt方案支持Windows10和Linux支持Python/C++YOLOv8环境Tensorrt 8.4.3。Cuda 11.6 Cudnn 8.4.1onnx 1.12.0快速入门安装yolov8仓库,并下载官方模型。pip install ultralytics==8.0.5pip install onnx==1.12.0# download offical weights(".pt" file)https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt使用官方命令导出ONNX模型。yolo mode=export model=yolov8n.pt format=onnx dynamic=False使用本仓库v8_transf
对象检测端到端框架#Darknet# Darknet 是一个用 C 和 CUDA 编写的开源神经网络框架,速度快,安装简单,支持 CPU 和 GPU 计算。欲了解更多信息,请参阅Darknet 项目网站。如有任何疑问或问题,请使用Google Group。#关于此分叉#这个 fork 存储库除了 pjreddie 当前的 darkenet 之外,还添加了一些额外的功能。例如(1).读取视频文件,进行处理,并输出带有边界框的视频。(2). 一些实用函数,例如 image_to_Ipl,将来自 darknet 的图像转换回来自 OpenCV(C) 的 Ipl 图像格式。(3). 添加一些python脚本来标注我们自己的数据,并通过darknet将标注预处理为所需的格式。...更多内容待添加这个分支存储库说明了如何使用我们自己的数据和我们自己的类来训练定制的神经网络。该过程记录在 README.md 中。#使用我们自己的数据训练的 YOLO 演示#电视https://www.youtube.com/watch?v=t4_O5Cs7uRM#
道路机器人识别交通灯,马路,左右转,黄线,人行道,机器人等路面导航标志识别-使用yolov8标记
该资源内项目源码是个人的课程设计、毕业设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过严格测试运行成功才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。
代码地址https://github.com/Sharpiless/yolov5-knowledge-distillation教师模型python train.py --weights weights/yolov5m.pt \ --cfg models/yolov5m.yaml --data data/voc.yaml --epochs 50 \ --batch-size 8 --device 0 --hyp data/hyp.scratch.yaml 酒精训练python train.py --weights weights/yolov5s.pt \ --cfg models/yolov5s.yaml --data data/voc.yaml --epochs 50 \ --batch-size 8 --device 0 --hyp data/hyp.scratch.yaml \ --t_weights yolov5m.pt --distill训练参数:--weights预训练模型
行业研究报告、行业调查报告、研报