基于Greenplum数据库的查询优化

针对分布式数据库查询效率随着数据规模的增大而降低的问题,以Greenplum分布式数据库为研究对象,从优化查询路径的角度提出一个基于代价的最优查询计划生成方法。首先,该方法设计一种有效的代价模型来估算查询代价;然后,采用并行最大最小蚁群算法来搜索具有最小查询代价的连接顺序,即最优连接顺序;最后,根据Greenplum数据库对查询计划中不同操作的默认最优选择得到最优查询计划。采用该方法在自主生成的数据集与事务处理性能理事会测试基准（TPC-H）的标准数据集上进行了多组实验。实验结果表明,所提出的优化方法能有效地搜索出最优解,获得最优的查询计划,从而提升Greenplum数据库的查询效率。     

分布式数据库系统的查询优化技术研究

数据库数据量日益增多,造成了用户在使用数据库系统查询时费时费力,传统的查询优化方式已无法满足如今的数据查询要求,提高数据库系统优化的效率也成为计算机研究工作的热点。提出基于半连接算法的分布式查询处理技术对数据库系统进行查询优化,提出半连接操作的查询优化算法(SDD-1),并采用实验分析的方法进行验证,计算查询算法的代价。结果表明,基于半连接的研究策略的分布式数据库查询优化可以显著降低传输代价,使查询总效率得到有效提高。     

基于贪婪策略的分布式数据库查询优化研究

针对分布式数据库系统复杂的多连接查询问题,分析了查询系统的目标要求,研究了查询优化的代价模型.结合具体实例,通过问题简化,构造出代价模型的查询图,提出了利用贪婪算法实现数据库查询的迭代方案.采用多步决策,按照一定的算法依次优化查询图,使得每一步优化都能得到最小的查询中间代价,从而确保了全局查询的最优.分析比较结果表明,该算法能以最小的代价实现对数据库的查询优化,缩短查询时间,提高查询效率.     

分布式数据库系统中的查询优化处理

分布式查询处理是用户与分布式数据库的接口,也是分布式数据库研究的主要问题之一。在分布式查询处理中基于不同的目标有不同的查询优化算法,文章主要讨论基于最小传输代价原则的半连接算法,分析了半连接算法的原理并给出了多关系半连接查询优化算法思考。     

基于遗传算法的分布式数据库查询优化研究

在收益半连接研究基础之上,本文提出一种新的查询执行计划代价模型,它包括关系副本选择、查询多连接次序、操作站点的选择、数据的传输及数据局部处理等因素,准确地表示了分布式数据库查询执行代价,并且给出了解决基于此代价模型查询优化问题的遗传算法,实验结果表明,该算法有较好的寻优效果,更具有实际意义.     

一种基于多连接属性划分的查询优化算法

查询操作是数据库中最常用的操作,由于分布式数据库的数据分布性和冗余性,使得查询优化处理成为分布式数据库研究的核心问题之一。为了提高分布式数据库查询效率,分析讨论了基于直接连接的常见执行策略和查询优化算法,同时针对分布式数据库应用中多表连接时存在多连接属性,提出一种改进的直接连接查询优化策略。改进后的算法提高了查询执行的并行性,缩短了查询处理时间,提高了查询效率。     

一种改进的半连接查询优化算法

查询优化是分布式数据库研究和关注的核心问题之一,为提高分布式数据库的查询效率,通过分析分布式数据库管理系统的特点,找出了影响分布式数据库管理系统查询效率的关键因素,并讨论了直接连接查询的常见策略和半连接查询的原理、实现方法以及所花费的传输代价,同时针对分布式数据库应用中存在大量重复查询操作的特点,提出了一种改进的半连接查询策略.最后结合应用实例对比传统半连接算法与改进后的算法,表明改进后的算法降低了数据传输量,缩短了查询处理时间,提高了查询效率.     

一种改进的分布式查询优化算法

查询优化是分布式数据库技术的核心问题,主要针对连接等一些具有较高执行代价的操作进行研究.本文首先阐明了查询优化的主要目的,接着介绍了1-PSJ算法和n-PSJ算法,然后在其基础上提出了一种新的改进算法-CR(Compressed and Reliable)算法,该算法应用到地理信息数据库中并取得了较好的效果.     

一种改进的数据库查询优化算法

数据库查询优化技术对提高数据库的查询效率,增强数据库性能有重要作用。针对大型数据库中多表连接查询效率低的问题,提出了一种基于粒子群算法的改进查询优化算法。针对多表连接查询的特征,对粒子采用树形编码的方式,并提出了一种计算数据库查询执行代价的模型。实验表明,使用粒子群算法优化后的查询策略比原始查询策略的查询执行代价低,有效提高了系统的查询效率。     

一种改进的数据库查询优化算法

数据库查询优化技术对提高数据库的查询效率,增强数据库性能有重要作用。针对大型数据库中多表连接查询效率低的问题,提出了一种基于粒子群算法的改进查询优化算法。针对多表连接查询的特征,对粒子采用树形编码的方式,并提出了一种计算数据库查询执行代价的模型。实验表明,使用粒子群算法优化后的查询策略比原始查询策略的查询执行代价低,有效提高了系统的查询效率。     

基于GIS路径规划系统的研究与实现

该文通过分析GIS空间数据和属性数据的特点,结合路径规划功能模块的要求,引用了直线优化和方向优化的模型,通过对A算法的OPEN表进行改进,提高了路径规划中求解两点间的最短路径的查询速度。最后用JAVA编程语言和SQLSERVER数据库实现了本系统。     

基于GIS路径规划系统的研究与实现

该文通过分析GIS空间数据和属性数据的特点,结合路径规划功能模块的要求,引用了直线优化和方向优化的模型,通过对A*算法的OPEN表进行改进,提高了路径规划中求解两点间的最短路径的查询速度。最后用JAVA编程语言和SQL SERVER数据库实现了本系统。     

高斯扰动粒子群算法的数据库查询优化

针对量子粒子群算法存在的不足,将变异算子引入其中,提出一种高斯变异量子粒子群算法（GM-QPSO）,并将其应用于数据库查询优化中。首先建立数据库查询优化数学模型,然后采用量子粒子代表一个可行的数据库查询方案,然后通过量子粒子之间的信息交流,找到数据库查询最优解,最后在 Matlab 2012上进行了仿真实验。仿真结果表明, GM-QPSO克服了量子粒子群算法存在的不足,不仅提高了数据库查询速度,而且获得了更加理想的查询优化方案。     

一种改进的分布式数据库查询优化算法

分析和研究了传统的分布式数据库连接查询优化算法,利用数据划分和并行处理执行策略,提出了多连接属性划分的查询优化算法.实验证明,此算法可以提高查询的响应速度,减少查询的响应时间,在处理分布式数据 '库中海量信息查询和复杂查询方面具有实用价值.     

基于GM-QPSO算法的数据库查询优化

针对量子粒子群算法解决数据库查询优化问题存在缺陷,提出一种高斯变异量子粒子群算法的数据库查询优化方法（GM-QPSO）。首先将遗传算法的变异算子引进量子粒子群优化算法,使得粒子在近似最优解附近变动提高全局搜索能力,然后将其应用于数据库查询优化问题求解,最后通过仿真实验对GM-QPSO的性能进行测试。结果表明,GM-QPSO加快了数据库查询优化求解的收敛速度,获得了质量更高的查询优化方案。     

基于粒子群算法的数据库查询优化

研究粒子群算法在数据库查询优化中的应用问题。为了解决大型数据库信息检索困难、查询效率低的问题,提出了一种基于粒子群算法优化数据库查询技术方案。算法提出了一种数据库查询执行计划代价模型,主要包括了查询多链接次序以及副本的选择问题,准确定义了数据库查询执行代价,采用提出的粒子群算法来优化并求解该执行代价问题,从而使得分组数目更少、数据定位更精确。实例验证结果表明,通过属性表现和违规行为任何教师都可以被准确定位,减少了分组,为数据库查询提供了优化。     

基于BACS算法的数据库查询优化

针对布谷鸟算法局部搜索能力弱、寻优精度低等缺陷,提出一种蝙蝠算法和布谷鸟算法相融合的数据库查询优化算法（BACS）。按照布谷鸟优化算法对鸟巢位置进行更新,利用蝙蝠算法的动态转换策略对鸟巢位置进一步更新,避免算法陷入局部最优;最后将BACS应用于数据库查询优化问题求解,并通过仿真实验对BACS的性能进行测试。实验结果表明,BACS加快了数据库查询优化求解的收敛速度,获得了质量更高的查询优化方案。     

基于Oracle数据库海量数据的查询优化研究

系统数据库数据量大时,常常会遇到系统响应时间过长、占用系统资源过多等一系列问题。因此对海量数据查询技术的研究就很必要。文中基于Oracle数据库,采用各种措施和方法来提高响应速度：合理设计数据库结构、使用索引、分区、SQL语句优化等手段优化数据库。另外,分页显示查询结果也能很大地提高查询速度。实验证明,优化后速度明显提高了很多。因此可见,文中采用的优化方法对海量数据的查询优化是正确有效的。