数据库逻辑设计性能优化关键技术研究

数据库逻辑结构设计是把概念结构转化为具体DBMS所支持的逻辑模型,对初步设计的逻辑模型进行调整、修改和优化,是逻辑结构设计的重要工作。文中从三个方面研究逻辑设计性能优化关键技术。首先,通过四个定义研究消除依赖的方法,包括函数依赖、部分函数依赖、传递函数依赖、第三范式;其次,研究主关键字,包括聚簇索引的创建以及设计主关键字的通用规则;最后,研究关系的分解与合并,其中分解包括水平分解和垂直分解。文中研究的性能优化技术与通常的性能优化技术既有一致性也有冲突,实际运用要通过具体分析采用切实可行的策略。     

Linux下G代码解释器的设计与实现

在论述G代码解释器总体结构设计的基础上,详细介绍了G代码关键字函数表和G代码分组。G代码关键字的分解是解释器的骨架,采用G代码关键字函数表实现对G代码关键字的分解使解释器具有良好的结构和扩展性;对G代码的分组则是语法检查的基础,详细讨论了对G代码的分组和实现。     

具有多时间粒度的时态数据库初等关键字、简单范式分解问题研究

一个好的数据库逻辑设计目标是消除数据冗余以及插入、删除和更新异常．对于时态数据库也是如此．提出了时态初等函数依赖、时态初等关键字、时态简单关键字等概念,在此基础上利用具有多时间粒度的时态函数依赖（TFD）约束对时态数据库进行了规范化研究,提出了规范程度高于时态三范式低于时态Boyce—Code范式的时态初等关键字范式（TEKNF）及时态简单范式（TSNF）,并研究了时态初等关键字范式和时态简单范式的分解问题,给出了相关分解算法,并对算法的可终止性、正确性进行了证明,对时间复杂度进行了分析．     

基于概率SLCA的XML过滤

不确定数据管理逐渐成为一个重要的研究方向.作为网络交换重要标准的XML数据的不确定管理也成为一个研究热点.基于关键字的概率XML检索是其中一个重要的分支.目前对于概率XML关键字检索的研究,都只考察了结点之间的独立(IND)关系和互斥(MUX)关系.由于更普遍的结点依赖关系在表述和计算上的复杂性,较少有工作讨论.文中讨论概率XML模型PrXML~({exp,ind,mux})中基于SLCA语义的关键字过滤.这种模型中通过EXP结点描述更普遍的结点依赖关系.文中在定义了子树中关键字概率分布表tab及其相关的运算后,分别给出了模型中不同类型结点关键字概率分布表的计算方法,并给出了不需要构造可能世界直接求解SLCA结点概率的算法.文章通过实验评估了算法的特性和性能.     

浅析C＋＋与C语言的几点联系与区别

文中从主函数、类与结构、模板与宏三方面阐述了C/C++之间的联系,从编程思想、关键字和语法格式三方面论述了二者的区别,最后给出培养学生编程思路这一教学原则.     

基于蚁群算法的逻辑函数化简

仿真硬件是一种新近发展起来的将仿真优化算法的思想应用于硬件物理结构设计的技术,特别是电子系统的设计.针对代数法和卡诺图法难以化简规模很大的逻辑函数问题,提出使用蚁群算法处理大规模逻辑函数化简.详细阐述了蚁群算法处理逻辑函数化简问题模型以及重要技术实现.试验表明演化硬件设计方法能够化简规模很大的逻辑函数.     

关键字驱动框架中关键字划分方法研究

文中针对目前关键字驱动框架中的关键字划分方法进行研究,提出了在eTOM（增强的电信运营图,enhanced Telecom Operations Map）业务过程分解思想指导下的关键字划分方法,建立了关键字划分模型,并根据关键字划分模型设计了关键字驱动框架中脚本划分模型（高层脚本对应高层关键字、中层脚本对应中层关键字和低层脚本对应低层关键字）。结束了对关键字驱动框架中关键字划分无理论研究的历史,提高了关键字驱动脚本的执行效率。最后,简单介绍了生成高层脚本、中层脚本和启动脚本的方法。     

不确定数据库上的top-k关键字查询

关系数据库上的关键字检索和不确定数据处理过去一直是两个独立的研究方向。研究了运用关键字方法检索不确定数据的问题,定义了不确定关键字查询的基本模型和语义,提出了一种在属性级粒度的不确定数据库上进行top-k关键字检索的算法。该算法根据用户指定的k值,计算并返回分数最高的前k个结果,其查询结果的评价函数综合考虑了结果与关键字的相关度和结果在可能世界语义下的概率大小。对算法进行了优化,显著降低了计算复杂度。最后通过实验,证明了算法的高效性和实用性。     

求关系模式全部候选关键字的算法

本文利用对属性进行分类的方法研究了一个属性成为主属性应该满足的条件.着重讨论了当一个属性既出现于函数依赖的左部,又出现于函数依赖的右部时成为主属性的必要条件和充分条件.并在此基础上,提出了一个求关系模式全部候选关键字的有效、易行算法.     

基于双逻辑门级图形表示的功耗优化技术

针对现有基于传统布尔逻辑进行逻辑级功耗优化的局限性,提出逻辑函数基于传统布尔逻辑和Reed-Muller逻辑的双逻辑门级图形表示的功耗优化方法.首先在逻辑级采用简化有序二叉决策图实现逻辑函数的双逻辑表示;然后通过代数分解和布尔分解获得双逻辑门级表示,进而基于功耗成本估算进行门级功耗优化;最后实现变量级和门级的两层次的优化方法.与学术界著名的ABC和工业界最先进的工具Design Compile(DC)进行比较的实验结果表明,该方法均具有一定的优势.     

基于数据依赖核函数的核优化算法

为了克服核学习中核函数及参数选择问题并提升算法性能,文中提出一种基于数据依赖核函数的核优化算法,用最大间隔准则建立最优目标函数求解数据依赖核的最优参数。实验表明文中算法可有效提高核学习机的性能。     

逻辑函数的双逻辑综合与优化

针对传统布尔逻辑在电路面积优化中存在的不足,提出了一种用传统布尔逻辑和Reed-Muller(RM)逻辑相结合的双逻辑优化算法.通过将原逻辑函数的乘积项转化为不相交乘积项,并利用不相交乘积项的位操作,将逻辑函数的覆盖分成2个部分,使之分别适合布尔逻辑综合和RM逻辑综合;同时提出了适合双逻辑函数的逻辑功能验证方法.双逻辑优化算法用C语言编程实现并用MCNC标准电路进行测试.实验结果表明,与单一的布尔逻辑综合结果相比,在绝大多数情况下文中算法可使电路面积获得进一步优化.     

一类模糊模型的结构优化问题研究

提出了将模糊模型统计信息准则（FSIC）、基于奇异值分解（SVD）的模糊模型结构分析、模糊规则删除与合并、参数估计等方法集成的模糊模型结构迭代优化。研究表明,将SVD引入到模糊模型结构分析、结合FSIC指导模糊规则删除和合并,可从模型结构精简化、模型拟合和泛化性能等方面综合地确定最优模型结构;文中提出了实用可行的基于聚类加权组合和多重模糊聚类的规则合并算法。该迭代优化方法已成功地应用于非线性函数逼近和航空煤油干点估计器的模糊模型构造。仿真结果表明文中提出的方法简单实用,优化的模型结构比文献中给出的模型结构更加精简。     

飞机纵向飞行轨迹的优化与实现*

本文研究了飞机纵向飞行轨迹的优化技术,选用质点运动能量状态方程为飞机运动模型,直接操作成本为优化指标函数;飞机纵向飞行剖面被假定分为三个飞行段:爬升、巡航和下降;将能量状态引入指标函数,使其成为哈密顿函数中的独立变量,则由动态变分法和极小值原理得到对各飞行轨迹段的优化算法;尔后用Fibonacci单参数搜索法来予以实现。文中给出了部分仿真结果。     

多核结构片上网络性能-能耗分析及优化方法

文中探讨了片上网络在执行真实并行程序时的能耗和性能关系,并提出了一种能耗/性能优化方法.首先,文中提出了一种精确的性能-能耗模型,在性能和能耗模型中同时划分出与频率相关和与频率无关的因素,并分析其对性能和能耗的影响;其次,在性能-能耗模型中建立并行开销、片外访存开销与片上网络规模(节点数)、频率之间的关系,同时引入了并行度、通信模型等与应用相关的因素,使该模型能够同时表达软硬件特性;第三,文中提出了一种基于该性能-能耗模型的性能-能耗优化方法,通过采集程序的通信模型、访存消息数量等数据选择适当的频率和网络节点数来获得片上网络能耗最低值或处理器性能最大值.最后,文中采用8个PARSEC并行程序验证前述模型的准确性并评价性能-能耗优化方法,结果显示文中性能-能耗模型相比传统模型更加精确吻合实验测量结果,性能-能耗优化方法也有效适用于不同种类的并行程序.     

新的遗传算法模型——两级种群竞争消亡算法研究

对种群竞争消亡算法进行了遗传算子和控制参数对搜索性能影响的研究,并在此基础上提出一种新的模型——两级种群竞争消亡算法:主级GA用于实现目标函数的优化;亚级GA用于实现对主级GA的控制参数和遗传算子的组合优化。对3个经典的优化测试函数的实验结果表明,与种群竞争消亡算法和简单遗传算法相比,两级模型可得到更好的寻优搜索结果。     

基于遗传粒子群算法的高维复杂函数优化方法

针对高维复杂函数优化的特点,提出了一种遗传算法与粒子群算法相结合的主-从结构算法。算法中,主级为全局搜索的遗传算法;从级为局部邻域搜索的粒子群算法。通过主-从协调机制和从级转换函数设计,使算法不依赖复杂的编码方式和进化算子进行全局精确搜索。通过仿真和比较实验,验证了算法对高维复杂函数优化的有效性。     

基于模型分解的多机带时间窗口任务规划算法

针对多机带时间窗口任务规划问题,提出了基于模型分解的规划求解算法。通过引入基于逻辑的Benders分解方法,将经典Benders分解算法应用扩展至带离散时间窗口的混合线性整数规划模型,实现模型分解。采用工艺级商业软件MOSEK与GECODE分别求解主、子问题,同时给出Benders剪枝函数生成方法,以迭代方式收敛解空间获得可行解。实现算法并设计测试案例,实验结果验证了算法的有效性。     

一种基于主属性判定的关联规则挖掘约简算法

关联规则挖掘是经典的数据挖掘方法,越来越多的企业都把它看作是必不可少的战略分析工具。当前关联规则挖掘方法得到的规则过多,令用户在运用时难以理解,因此研究关联规则集的约简方法具有应用价值。研究了数据库模式中关键字包含的主属性对基于Apriori算法的关联规则挖掘产生的关联规则的影响,即部分函数依赖会导致关联规则挖掘的数据集中冗余信息的频繁出现,并产生没有实际价值的关联规则,识别并消除这样的规则就能实现规则集的约简。求全部主属性如同求所有候选关键字问题都是NP难题,因此提出了一种基于一个候选关键字进行验证的算法来判定主属性,从而完成基于主属性判定的关联规则挖掘约简算法的设计与实现,并在最后的实验中验证了该算法的有效性。      

结构正则化多视图非负矩阵分解

现存非负矩阵分解（non-negative matrix factorization,NMF）研究多考虑单一视图分解数据,忽略了数据信息的全面性。此外,NMF限制其获取数据的内在几何结构。针对以上问题,提出一个结构正则化多视图非负矩阵分解算法（structure regularized multi-view nonnegative matrix factorization,SRMNMF）。首先,通过主成分分析来对数据进行全局结构的判别式学习;其次,利用流形学习来捕获数据的局部结构;然后,通过利用多视图数据的多样性和差异性来学习表征。模型提升了算法聚类的整体性能,更加有效地挖掘数据的结构信息。此外,采用高效的交替迭代算法优化目标函数得到最优的因子矩阵。在六个数据集上与现存的代表性方法比较,所提出的SRMNMF的准确率、NMI和Purity分别最大提高4.4%、6.1%和4.05%。