自适应逃逸动量粒子群算法的数据库多连接查询优化

为了提高数据库多连接查询的优化效率,针对粒子群算法存在的早熟、局部最优等缺陷,提出一种自适应逃逸动量粒子群算法的数据库多连接查询优化方法.该算法首先将遗传算法的交叉机制引入粒子群算法中,以保持粒子群的多样性,避免早熟现象出现;然后,引入动量算法平滑粒子搜索轨迹,加快粒子群的收敛速度;最后,将该算法应用于数据库多连接查询优化求解,以获得最优的数据库多连接查询方案.仿真结果表明,该算法提高了数据库查询效率,缩短了查询响应时间.     

中间件异构数据库集成中基于半连接的查询优化算法

全局查询效率一直是中间件异构数据库集成中的热点和难点问题,由于目前异构数据库绝大多数是关系型数据库,所以采用半连接方法优化连接操作,并在半连接图的基础上提出了多个站点的半连接执行方案优化算法,该算法根据半连接图生成有向无序树,使多个半连接操作能够并行执行,经分析能有效地提高全局查询效率.     

基于混合遗传算法的关系型数据库查询优化

分析了关系型数据库的查询优化问题，针对多连接查询提出将遗传算法和爬山法结合，从而构造了关系型数据库多连接查询优化问题的混合遗传算法，并进行了实验计算．结果表明，用混合遗传算法解决多连接查询优化问题，可以发挥遗传算法和爬山法的不同优势，从而得到较满意的查询优化性能．     

一种新的决策树组合优化算法

数据分类是数据挖掘中的一个重要课题,研究各种高效的分类算法是数据挖掘的重要问题之一.本文对了GAAA算法进行改进提出了一种新组合优化算法,将其应用到分类规则的优化问题,采用遗传算法生成信息素分布,利用蚂蚁算法求精确解,优势互补,有效地节省了计算时间,并优化了生成的分类规则.实验结果表明:该算法可以有效克服停滞,提高搜索效率,有效地挖掘出最优的分类规则集.     

快速频繁序列模式挖掘算法

为解决从数据库中挖掘长模式可能遇到较高的计算复杂度问题, 提出一种新的算法FFSPAN. 传统上, 要判断一个序列是否频繁, 需要在原数据库中判断整个序列是否频繁; 而算法FFSPAN是通过在序列数据库中寻找一个频繁项或一个频繁项集来代替寻找一个完整的频繁序列, 而且FFSPAN算法每次扫描的数据库都是迅速减小的, 这使得算法在挖掘的序列模式越长时越有效. 在标准测试数据集上的实验结果表明, FFSPAN算法非常有效.     

频繁项集挖掘的Apriori改进算法研究

针对Apriori算法的不足,提出了一种新的优化算法——IApriori.该算法应用散列技术优化产生频繁-2项集,优化连接操作减少连接判断的次数,通过对候选项集编码来减少扫描数据库的次数,优化逻辑"与"运算减少不必要的"与"操作次数,缩短生成频繁项集的时间.IApriori算法仅需3次扫描数据库.研究结果表明,该算法具有快速、直观、节省内存等优点.     

基于强类型DataSet的批量数据导入的优化算法

针对使用强类型DataSet批量数据导入效率低下的问题, 提出了一种优化算法。在兼顾强类型DataSet节省开发时间特性的同时, 在分析强类型DataSet内部方法的工作原理基础上, 对数据库连接的状态加以控制, 使对离线数据集中的所有数据操作处于一个连接中, 从而避免了数据库连接的频繁开关操作。 实验结果表明, 数据的提取所耗费的时间远小于数据导入所用时间, 有效提高了批量数据导入效率。     

多笔画联机手写字符识别的动态时间规正算法

在单笔画符号(或字符)联机手写识别中,动态时间规正(DTW)算法遵循时间次序约束和边界约束,并具有较高的识别率.为了将此算法应用于多笔画符号识别,常用而简单的方法是按照人们的手写顺序连接多笔画符号为单笔画符号.但此方法存在一个问题:人们常使用不同的笔画顺序和笔画方向书写同一个符号,用朴素(Brute Force)方法寻找所有笔画可能性非常耗时.为了降低计算复杂度,文中提出了DTW A*算法.在部分笔画匹配时,此算法保留着次序约束,并用A*算法降低计算复杂度.文中还通过流程图数据库多笔画符号识别实验对比了DTW A*算法、DTW算法、改良Hausdorff距离3种算法的性能,结果表明DTW A*算法具有最高的识别率和最好的稳定性.     

挖掘关联规则中Apriori算法的一种改进

算法减少连接次数以及扫描数据库的次数从而缩短数据库扫描时间,利用项集有序性改进判断是否进行连接的策略,并利用标志位变化逐步消除无用事务,从而实现了事务压缩和项目压缩, 同时减少了判断时间。实验结果表明,经过优化了的Apriori算法在运行效率上有一定的提高。     

关系闭包的计算

本文涉及演绎数据库递归查询的优化问题,提出算若干计算关系闭包的算法。算法的主要思想是及时地从关系中删去不产生新结果的元组,避免元组间多次重复的连接,提高查询效率。     

应用聚簇索引的多连接查询优化方法

多连接查询优化是提高数据库性能的关键问题之一.查询优化主要针对连接等一些具有较高执行代价的操作进行研究.在分布式查询优化中,应同时考虑本地处理代价和传输代价.提出了一种应用聚簇索引来优化多连接查询的方法,旨在减小查询的代价.分析对比证明该方法具有较好的效果.     

改进的半连接查询优化算法

在多关系连接查询中,普通半连接查询方法没有优化子查询的半连接顺序,导致查询代价较高,为此,本文提出了一种改进的半连接查询优化算法.首先,将多关系连接组织成较小代价的类树形结构,然后利用半连接操作对处于根节点处的关系进行最大化缩减,并以此为基础利用PERF位向量对其他节点进行缩减,最后回收缩减关系进行连接操作.模拟实验表明改进的半连接查询优化算法能够有效地缩减查询关系,降低查询代价.     

一种基于遗传算法的优化查询方法

查询效率是数据库系统的重要指标,查询优化是该系统研究的难点和热点.提出了一种基于遗传算法的优化查询方法,该法利用关键字预处理模块,将用户输入的关键字转化为内部关键字,以提高查询准确性;为加快查询响应时间,设置用户搜索统计记录索引表,避免遇到重复搜索时的全库扫描;针对全库扫描时采用遗传算法进行最优求解,提出了相关度的计算方法,根据相关度的大小进行排序,方便用户查询.     

分布式数据库中重复查询的半连接算法研究

 分布式数据库系统中查询优化处理是非常重要的一环.在分析了基于半连接查询优化算法的同时,结合分布式数据库应用中存在的大量的重复查询操作的特点,提出了一种基于重复查询的半连接算法,利用存储少量的中间结果,从而缩短了计算时间和传输时间,提高了查询效率.     

最小生成树算法在多元连接中的应用及算法分析

本文用最小生成树算法实现了分布式数据库中的多元连接查询,并进行了算法的分析与设计.     

运用数据库优化器提高SQL查询效率

数据库优化器为数据库查询提供一个最佳的执行策略.执行策略是执行查询所需要的一系列步骤,数据库操作的反应速度经常就体现在这个优化算法上.不同的查询策略会使服务器的响应速度大相径庭.对数据库优化器的性能进行分析,给出四种查询优化策略.     

具有服务质量支持的数据访问

随着网格技术的发展,很多应用程序需要访问网格环境中分布、异构的数据源。但是由于目前的查询优化技术并没有考虑网格环境中数据源的动态特征导致数据访问的质量很差(如访问时间不确定、返回不相关的结果等)。本文提出了网格环境中具有服务质量支持(QoS)的数据访问方法,能在查询优化的过程中考虑用户的QoS要求和数据源的动态特征;同时本文还提出了基于管道并行方式的分层管道树来对多连接表达式进行优化,不仅可以提高并行度而且可以尽快返回部分结果给用户。实验表明本文提出的方法是有效的,可以为不同类型的用户提供不同等级的数据访问服务     

An Efficient Algorithm for Query Transformation in Semantic Query Optimization

Semantic query optimization (SQO)is comparatively a recent approach for the transformation of given query into equivalent alternative query using matching rules in order to select an optimal query based on the costs of executing alternative queries,The key aspect of the algorthm proposed here is that previous proposed SQO techniques can be considered equally in the uniform cost model,with which optimization opportunities will not be missed.At the same time,the authors used the implication closure to guarantee that any matched rule will not be lost .The authors implemented their algorithm for the optimization of decomposed sub-query in local database in MultiDatabase Integrator(MDBI),which is a multidatabase project.The experimental results verify that this algorithm is effective in the process of SQO.