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。     

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。     

分布式数据库中基于半连接的查询优化算法研究

首先阐述了分布式查询优化的主要目标，介绍了半连接算法和基于半连接的二分劈开缩减算法，分析了两者的特点和不足并在其基础上提出了一种新的优化算法——两次半连接对接算法。通过进行两次半连接减少了通信信息量，并且利用多结点的并行性处理提高了查询的响应时间和处理速度。通过对三种算法的比较对新算法的性能进行了分析，结果表明，该算法在某些特定的环境下确实具有较高的处理速度、节点利用率和实际可行性，适合大规模的数据库查询。     

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。     

无线传感器网络中基于蚁群算法的路由算法

提出一种基于蚁群算法的无线传感器网络路由算法。该算法综合网络分簇算法及蚁群算法的优点,考虑节点当前可用能量对路由选择的影响,使选择路由时既能均衡节点的能量消耗,又能利用蚁群算法正反馈的作用实现快速搜寻从簇头节点到汇聚节点的多跳最优路径,通过在簇头节点进行数据汇聚降低路由的开销。仿真结果验证了该算法的可行性和有效性。     

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。     

面向TSP求解的混合蚁群算法

针对蚁群算法的早熟和停滞等现象,将免疫算法机制引入蚁群算法,提出用于TSP求解的混合算法。该算法具有蚁群算法的自适应反馈机理、收敛速度快和免疫算法操作算子简单和维持种群多样性、防止种群退化等特性。从算法解的质量与效率方面与基本蚁群算法和免疫算法进行比较,结果表明融合免疫机制的蚁群算法性能显著提高,也为解决其他组合优化问题提供一个新的思路。     

基于蚁群算法的最小权三角剖分求解

计算机研究者大多采用不同的进化算法解决最小权三角剖分,但都存在收敛速度慢、且易于早熟的缺点。为此,通过分析原有蚁群模型的不足和蚁群算法求解最小权三角剖分存在的问题,提出采用改进的蚁群模型结合选择点集最大允许剖分的方法,为加快收敛和抵制早熟引入对角线调整机制形成新的融合算法。实验结果表明,该算法在收敛速度、收敛效果和计算时间上都优于现有算法。     

基于细粒度模型的并行蚁群优化算法

蚁群优化算法的研究和应用已取得了不少重要成果,然而在大规模优化应用中还存在搜索时间长的问题,为此研究了一种基于细粒度模型的并行蚁群算法。实验结果表明,该算法与最新的改进算法相比,搜索速度提高数十倍至数百倍以上。     

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。