CORGI: Quadratische Garantien für effizientes Muster‑Matching

In Echtzeit‑Anwendungen wie KI‑Planung, reaktiver Steuerung und schnelle Datenbankabfragen müssen regelbasierte Systeme komplexe Muster‑Matching‑Probleme in kurzer Zeit lösen. Traditionelle Ansätze stoßen häufig an Grenzen, wenn Regeln viele unbeschränkte Variablen enthalten oder viele kombinatorische Zwischenergebnisse erzeugen. Das kann zu exponentiellem Zeit‑ und Speicherbedarf führen und die Ausführung von Programmen verlangsamen oder sogar zum Stillstand bringen.

Um diese Schwachstellen zu überwinden, wurde der neue Algorithmus CORGI (Collection‑Oriented Relational Graph Iteration) entwickelt. Im Gegensatz zu RETE‑basierten Systemen garantiert CORGI quadratischer Zeit‑ und Speicherbedarf für die Suche nach einer einzigen passenden Regel. Gleichzeitig ermöglicht es, weitere Treffer schrittweise zu streamen, ohne komplette Konfliktmengen im Speicher zu halten.

Der Ansatz nutzt einen zweistufigen Prozess: Zunächst wird ein Graph aus konkreten Relationen aufgebaut und kontinuierlich aktualisiert. Anschließend werden die möglichen Treffer iterativ abgearbeitet, wobei keine klassische β‑Speicherstruktur für Zwischenergebnisse benötigt wird. Dadurch bleiben sowohl Laufzeit als auch Speicherverbrauch kontrolliert, selbst bei Regeln, die durch automatisierte Induktion oder Code‑Synthese entstehen.

Die Einführung von CORGI macht regelbasierte Systeme robust gegenüber Worst‑Case‑Mustern und ermöglicht ihre Anwendung in ressourcenbeschränkten, Echtzeit‑Umgebungen ohne manuelle Optimierung oder Risiko von unerwarteten Ausfällen.