基于改进蚁群算法的数据仓库多连接查询优化

传统蚁群算法在解决数据仓库查询优化问题时存在过早收敛、收敛速度慢的缺点。为此,对传统蚁群算法进行改进,将伪随机状态转移规则引入最大最小蚁群系统,在每次迭代结束后进行迭代局部搜索。实验结果表明,改进算法在多表连接查询优化中具有较快的收敛速度,能提高最优解的质量。     

基于蚁群算法的分布式数据库查询优化方法

在分布式数据库查询优化中,数据传输和多连接次序往往决定了查询执行速度,以通信代价最小为目标的代价模型一直是研究的重点。随着大数据时代的到来,如何提高数据库的查询效率成为我们所要面对的首要问题。为此,利用蚁群算法优化查询计划,以多元连接查询操作为例,进行了模型建立和算法实现。在Oracle数据库中进行了仿真实验,实验结果表明该算法有较好的寻优效果,并对分布式数据库的查询优化具有实际意义。     

基于量子蚁群算法的数据库连接查询优化

连接查询优化是提高数据库性能的关键技术,针对数据库连接查询优化效率低的难题,提出一种量子蚁群算法的数据库连接查询优化方法（QACA）.首先,将数据库连接查询计划左深树看作一个蚂蚁,然后,利用量子旋转门更新各路径信息素,并利用混沌变异策略保持种群多样性,通过蚂蚁之间的信息交流找到数据库连接查询最优计划,最后,进行数据库连接查询优化实例分析.结果表明,QACA是解决数据库连接查询优化的有效途径,获得理想的数据库连接查询计划,具有实际意义.     

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。     

基于图的适应性多连接查询优化算法

提出一种基于图的适应性多连接查询优化算法,分析关系结果集到达时间和结果集大小之间的关系,借鉴适应性查询优化的动态调整思想,对基于图的多连接查询进行改进。仿真实验结果表明,该算法在最好情况下的时间复杂度为O（n）,且能有效提高查询效率。     

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。     

基于多连接属性划分的分布式数据库查询优化算法

阐述查询优化的主要目的,针对分布式数据库的查询优化,介绍直接连接的查询策略以及直接查询优化算法hash划分算法与Partition算法,提出基于多连接属性划分的查询优化算法--MP算法.该算法在实验中取得较好的结果.     

基于蚁群遗传混合算法改进的连接查询研究

连接查询优化技术对提升数据库性能至关重要,提出一种改进的连接查询算法,结合Wander Join连接查询算法,使用蚁群遗传混合算法对连接顺序进行优化。执行新的连接计划后,用剪枝策略降低样本的连接复杂度,达到了减少存储代价的目的。理论分析和基于TPC-H数据集、TPC-DS数据集的算法对比实验表明,在多表连接的样本置信区间大于或等于95%的条件下,根据选择率的不同,加入蚁群遗传混合算法和剪枝策略的连接查询算法的相对错误率与Wander Join连接查询算法相比下降了20%～70%。     

结合哈希过滤的一种改进多连接查询优化算法

多连接查询优化是提高数据库性能的关键问题之一。Chiang Lee提出了一种启发式多连接查询优化算法MVP,分析发现该算法并没有考虑减小执行计划的计算代价。该文结合哈希过滤的特点提出一种改进的多连接查询优化算法,与MVP算法相比该算法降低了执行计划的计算代从,从而使查询响应时间更短。     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。     

改进的蚁群算法在修磨轨迹优化中的应用

提出一种适用于钢坯修磨轨迹优化问题的改进蚁群算法,给出一种修磨轨迹优化问题的实用数学模型。针对蚁群算法对参数敏感的问题,提出用启发信息归一化来解决的办法。仿真实验与初步试用结果表明,经改进蚁群算法优化的修磨轨迹能大幅度减少修磨过程中的空行程。该算法具有一定的理论参考价值和实际意义。     

改进型蚁群算法的多处理机任务调度研究

蚁群算法是一种新型的模拟进化算法,具有正反馈、分布式计算等特点,是一种解决组合优化问题的有效算法。在介绍蚁群算法基本原理以及探讨该算法的缺陷基础上,针对多处理器任务调度问题,提出了一种基于改进型蚁群算法的调度策略。仿真研究表明,该算法具有优良的全局优化性能,效果令人满意。     

基于多态蚁群算法的高光谱遥感影像最优波段选择

由于传统蚁群算法搜索空间大,算法时间复杂度高等,导致基于传统蚁群算法的高光谱数据波段选择算法(ACA-BS)耗时长,算法效率低下,且易陷入局部最优。而多态蚁群算法能大大缩小算法的搜索空间,降低算法时间复杂度。因此,研究设计了基于多态蚁群算法的高光谱数据波段选择算法(PACA-BS)。从算法运行时间、波段子集的类别可分性及信息量、总体分类精度等方面对算法进行对比分析。用于实验的数据为Hyperion和AVIRIS高光谱影像。实验结果表明:PACA-BS的运行时间较ACA-BS大大减少;对Hyperion影像进行降维时,基于PACA-BS的运行时间约为ACA-BS的一半。两种算法获得的波段子集的类别可分性大小较为接近,但PACA-BS获得的波段子集的信息量和总体分类精度优于ACA-BS。研究表明PACA-BS是一种效率较高的高光谱波段选择算法。     

动态信息素更新蚁群算法在指派问题中的应用

建立指派问题的数学模型,将其转化为旅行商问题,利用蚁群算法求解此问题。蚁群算法是一种解决组合优化问题的有效算法,但同样存在搜索速度慢,易于陷于局部最优的缺陷。该文提出一种具有动态信息素更新的蚁群算法,通过具体的算例分析,表明该算法比传统的蚁群算法有更快的收敛速度和较好的稳定性。     

基于蚁群算法的QoS最佳路由选择问题的研究

针对当前通信网络中存在的服务质量问题提出了满足QoS约束的最佳路由选择算法——蚁群算法,该算法是一种新型的进化算法。与其它进化算法一样存在搜索时间过长和易于陷入局部最优解等缺陷。提出了一种通过动态地调整信息素的挥发度和采用最优、最差路径信息索全局更新策略来克服上述缺陷。改进型算法能较快地收敛到全局最优解。仿真结果表明上述方法是可行和有效的。     

基于改进蚁群算法的CT图像边缘检测方法研究

将蚁群算法(ACA)应用于CT图像边缘检测领域,提出一种新的CT图像边缘检测方法。为了提高检测效率、精确度和对各类CT图像的适应性,对蚁群算法进行了改进,并针对图像中的不同内容采取不同的转移策略和信息素更新规则。实验结果表明了该算法的有效性,满足了CT图像三维重建的需求。     

一种改进的蚁群算法在知识路由系统中的应用

语义Web上分布着海量知识,如何在这些海量知识中按照用户的需求快速准确地定位目标知识便成为知识路由研究中亟待解决的问题。针对此问题,应用了蚁群算法作为动态虚拟语义社区中的知识路由算法,并对算法的选择策略、信息素修改两个方面进行改进,使算法不易陷入局部最优解,并能快速收敛到全局最优解。实验结果表明其路由效率明显提高,具有较好的性能。     

基于蚁群的无线传感器网络分簇路由算法

在研究经典低能量自适应分簇路由算法的基础上,提出基于蚁群的无线传感器网络分簇路由算法。该算法将蚁群算法应用到簇间路由机制中,寻找簇头到基站的最佳路径,使得离基站较远的簇头节点沿着最佳路径传输信息,有效地减少了簇头节点的能量开销。同时,在簇头选举时,该算法不仅考虑簇头节点的剩余能量,而且兼顾簇头与簇头之间的距离,使得簇头分布更加均匀。仿真结果表明,该算法和LEACH及DADC算法相比,有效地均衡了网络能量消耗,并延长了网络生命周期。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。