查询代价视图选择问题的研究及实现

实视图选择问题是数据仓库研究的重要问题之一。数据仓库存储实视图主要为OLAP查询,用户查询响应时间是首要考虑的问题,提出了查询代价视图选择问题,给出了其代价模型。提出了对查询代价视图选择问题利用遗传算法来解决的方法和策略。经实验证明,该算法达到了良好的效果,效率高。

基于蚁群-遗传算法的物化视图选取策略

将蚁群算法和遗传算法相结合用于物化视图选取问题。利用遗传算法较强的全局搜索能力对蚂蚁每次的搜索结果进行优化改良,并在信息素更新时,同时考虑最优、最差路径上的信息素更新。实验结果表明,该算法不仅提高了解的收敛速度,也成功解决了蚁群算法易"早熟"而引起的停滞现象。

数据仓库物化视图选择的混合算法

物化视图是提高数据仓库的查询响应能力以高效支持决策分析的重要手段,但物化视图集选选择是一个复杂问题。结合启发式算法的快速收敛能力和遗传算法的全局优化能力的两层物化视图求解方案提供了物化视图选择问题求解的可行途径。

物化视图选择中权限因子的设计

物化视图是数据仓库中提高查询效率的有效手段,物化视图的选择一直是数据仓库领域的研究热点。通过研究和实验,提出在物化视图选择中加入权限因子,将各候选视图的权限值纳入算法评价函数的计算中,使最终得到的物化视图集既能面向企业基层提供OLAP查询,又能保证企业决策层OLAP查询的速度。

实体化视图动态选择预处理算法的研究

实体化视图是数据仓库中提高查询效率的有效手段,数据仓库运行期间,需要对其中的实体化视图进行维护,从而保证用户查询的响应时间较短。针对用于实体化视图动态选择的遗传算法收敛速度慢,运行时间长的问题,提出一种预处理算法来计算动态选择实体化视图时遗传算法的初始群体。理论分析和实验结果表明,该算法可以有效地提高实体化视图动态选择时的寻优收敛速度。

基于动态融合遗传蚁群算法的实视图选择方法

本文提出利用动态融合遗传蚁群算法来解决查询代价约束下的实视图选择问题,该算法充分利用了遗传算法在搜索前期具有较高的向最优解收敛的速度和蚁群算法在信息素达到一定程度后向最优解收敛的速度迅速提高的优点。试验结果表明,该算法有效地避免了信息素的局部极值,减少了大量重复运算,提高了实视图选择的效率。

一种高效的实视图选择算法

数据往往被存储在分布式的数据源中,当需要对数据做查询操作时,就无法像查询单数据源那样有效率.联机分析处理(OLAP)被提出,并用来克服这个问题.在这个过程中,为了提高OLAP的查询效率,采用了将视图实体化的技术,即将综合性的复杂的查询结果放入实视图中,再将OLAP查询与实视图相互关联起来.但是,实视图需要占据大量的物理存储空间,而当数据源一旦更新时,为了与底层数据源保持一致,必须对实视图进行相应的更新维护,从而产生实视图的维护代价,因此实视图选择必须在提高查询响应速度和资源限制二者之间做出一定的权衡.文章提出了一种算法,可以在对维护代价一定条件约束下,使得查询代价达到最小的算法.经过实验,该算法不仅计算复杂度较小,而且维护成本较低.