一种基于量子遗传算法的分布式异构数据库查询优化方法

对于分布式异构数据库,查询优化既是非常复杂的问题,又是影响系统性能的关键因素。该文结合遗传算法和量子计算的优点,提出了基于量子遗传算法的分布式异构数据库查询优化方法。仿真实验表明,该方法有效地提高了分布式异构数据库的查询优化效率。     

基于免疫遗传算法的关系型数据库查询优化技术

本文引入结合免疫系统原理和遗传算子自适应调整的算法,即免疫遗传算法。该算法具有可防止未成熟收敛和保证种群的多样性等优点。在使用此算法搜索最优解时,可防止陷入局部寻优情况的出现。经过实验计算,免疫遗传算法对多连接查询优化有很好的效果,优化后的查询代价较遗传算法有很大的降低。     

一种基于遗传算法的查询关键词形成技术

分析针对离散的关系数据构造有效查询关键词的关键因素,并在此基础上提出一种基于遗传算法的查询关键词形成方法GQFA（ Genetic-based Query Forming Algorithm ）。对于目标属性,在训练集上应用遗传算法,学习得到与目标属性强相关的属性子集,进而形成合适的查询关键词。实验结果表明,该方法形成的查询关键词能够较好地满足应用需求。     

基于免疫遗传算法的关系型数据库查询优化技术

在关系型数据库的查询过程中,表的不同连接次序是执行计划多样性的最主要原因。查询优化器必须能够通过一定的算法确定一个好的连接的次序,以便对查询路径进行优化。遗传算法的出现为求解查询优化问题提供了新的工具。但是遗传算法具有局部搜索能力不强、个体多样性差及早熟现象等缺点,导致解的质量不够理想。针对遗传算法的缺陷,本文引入结合免疫系统原理和遗传算子自适应调整的算法,即免疫遗传算法。该算法具有可防止未成熟收敛和保证种群的多样性等优点。在使用此算法搜索最优解时,可防止陷入局部寻优情况的出现。经过实验计算,免疫遗传算法对多连接查询优化有很好的效果,优化后的查询代价较遗传算法有很大的降低。     

基于局部类别分析和遗传算法的查询优化算法

查询扩展是信息检索中优化查询的一种有效方法。针对信息检索中用户查询关键词与文档标引词不匹配的问题,提出一种基于局部类别分析和遗传算法的查询优化算法。该算法分两个阶段实现:第1阶段对用户提交的查询Qold进行扩展,采用基于局部类别分析的查询扩展方法选择查询扩展词构成新查询Qnew;第2阶段对新查询Qnew进行权重分配,采用遗传算法对扩展后的查询进行权重调整得到最优查询向量,再次对测试集中的文档进行二次检索。实验结果表明,该算法比单独使用局部上下文分析算法、局部类别分析算法均有更优的检索性能。     

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.     

基于遗传算法的多数据源连接查询优化方法

主要从查询处理自适应性方面进行研究,在已经存在的适应性查询处理技术基础之上,将自适应性与遗传算法相结合,提出一种基于遗传算法的多数据源连接查询优化问题的方法以及与此相适应的交叉变异概率、编码方法、交叉算子和变异算子,并对算法的性能进行了分析。     

基于遗传算法的分布式异构数据库的查询优化

对于分布武异构数据库，查询优化问题是其核心问题。本文用基于位、值结构树型编码的遗传算法对分布武异构数据库进行查询优化，取得了很好的效果。     

数据库查询优化和遗传算法研究

在我们所处的信息技术时代,数据库已经成为管理信息和挖掘信息的巨大潜能的基本和必需的工具。由于随着时间的推移,数据库中的数据量日益增加,因而数据库的最重要特征之一在于其维持一致和可接受水平的性能的能力。使数据库的性能保持在最佳水平的主要机制被称为数据库查询优化器(database query optimizer);如果没有设计良好的查询优化器,即使是小型的数据库也会表现出显著的性能低下。一些流行的商业级数据库的查询优化器估计需要50人年的开     

基于遗传算法的多连接表达式并行查询优化

多连接表达式的并行查询优化是提高数据库性能的关键问题之一.提出了使用遗传算法来解决多连接表达式的并行查询优化问题.为了提高查询处理器的执行效率,采用启发式规则来搜索最优的多连接表达式并行调度执行计划.文中给出了详细的测试结果和性能分析.实验结果表明,结合启发式知识的遗传算法是解决多连并行查询优化的有效途径,对提高数据库的性能起到重要作用.     

基于关联规则与聚类算法的查询扩展算法

针对信息检索中查询关键词与文档用词不匹配的问题,提出一种基于关联规则与聚类算法的查询扩展算法。该算法在第1阶段对初始查询结果的前N篇文档进行关联规则挖掘,提取含有初始查询项的关联规则构建规则库,并从中选取与查询用词关联度最大的置个词作为扩展词,与初始查询组成新查询后再次查询,在第2阶段将新查询结果进行聚类分析并计算结果中每篇文档的最终相关度,按最终相关度大小重新排序。实验结果表明,该算法比单独使用关联规则算法或是单独使用聚类算法均有更优的检索性能。     

基于小生境遗传算法的多媒体数据查询优化

提出一种基于增强遗传算法的对多媒体数据的查询优化算法.将查询种群组织成多个小生境,一个小生境用于查询文档空间的一个区域,设计相应的基于项权重和相似项的交叉算子、自适应变异算子,通过引入局部搜索机制来增强算法的搜索能力,最后依据相关性次序将查询结果进行合并,返回查询结果.实验结果表明,该算法在查询精度和查询速度上均能获得比较满意的效果.     

基于混合遗传算法的关系型数据库多连接查询优化

本文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。     

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。     

Deep Web查询优化算法研究

Deep Web查询是在指分析接口属性及其丰富的语义信息后构造的用于向数据源请求特定数据的语句,其质量将影响查询结果相关度的高低和查询代价的大小.为优化查询,提出一种基于量子遗传算法的优化算法,以Deep Web查询的实数二进制串为输入进行量子编码,引入了球面解空间多子群并行寻优机制、群间染色体置换操作和量子变异算子以丰富种群多样性、提高算法的寻优效率.实验结果表明,该算法在R-Precision、覆盖率上具有一定的优势,能够有效地减少查询次数.     

Web信息查询优化的遗传算法

为帮助用户在丰富的网络资源中快速、准确地查询到所需要的信息,提出一种基于增强遗传算法的查询优化算法．其基本思想是：把查询种群组织成多个称为小生境的查询子种群,一个小生境用于查询文档空闻的一个区域,规定了相应的基于项权重和相似项的交叉算子、自适应变异算子,并通过引入局部搜索机制来增强算法的局部搜索能力,最后把查询结果依据相关性次序进行合并,并返回给查询用户．实验结果表明,该算法在查询精度和计算速度上均优于常用的查询优化技术。