CN105117461B - 一种基于改进的遗传算法的查询优化方法 - Google Patents
一种基于改进的遗传算法的查询优化方法 Download PDFInfo
- Publication number
- CN105117461B CN105117461B CN201510522299.1A CN201510522299A CN105117461B CN 105117461 B CN105117461 B CN 105117461B CN 201510522299 A CN201510522299 A CN 201510522299A CN 105117461 B CN105117461 B CN 105117461B
- Authority
- CN
- China
- Prior art keywords
- population
- query
- strategy
- cost
- query strategy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进的遗传算法的查询优化方法,属于查询优化技术领域。本发明对一个查询执行策略集建立数学模型,即将查询优化问题转化为求全局最优解的数学问题。该模型叫做查询策略的代价评估模型;然后改进遗传算法,利用改进的遗传算法的全局搜索能力对查询策略集进行并行搜索,最终得到一个理想的查询执行策略。本发明对传统的遗传算法进行了改进,并将改进的遗传算法用于大型关系数据库的查询优化。克服了“早熟”收敛现象。与其他智能优化算法相比,能够有效避免陷入局部极值,从而缩短了搜索时间。其次,算法中应用的基于基因的搜索策略和基于多倍体的保留策略大大提高了搜索精度。
Description
技术领域
本发明涉及一种基于改进的遗传算法的查询优化方法,属于查询优化技术领域。
背景技术
数据库技术自20世纪60年代后期以来,经历四十多年来的发展,已经成为现代计算机系统的重要核心技术。其中关系数据库是一种建立在数学概念基础上的主流数据库,能够直接的描述现实关系,存取效率较高。但同时,关系数据库也有相应的缺陷,其数据结构比较复杂,尤其是大型关系数据库,随着应用环境的扩大,其存储的数据种类越来越多,数量也越来越大,数据结构就变得极为复杂,在进行多链接查询时,查询效率低下。然而,从大多数数据库系统的应用实例中可以得到,查询操作在各种数据库操作中所占据的比重最大,数据库的查询是数据库系统的核心。我们在操作过程中不仅要利用数据库管理系统根据SQL(Structure Query Language,结构化查询语言)指令准确查询到用户需要的数据,还要充分考虑查询效率的高低,制定具体的查询策略。因此,为了提高查询效率,使大型关系数据库系统能够及时响应用户的操作,快速给出查询结果,需要对一个查询寻求一个较优的查询路径,也就是在多种执行策略中选择一种能够最快得到查询结果的策略。这种查询优化是关系数据库中的关键技术,大大提高了系统的效率,同时也使其拥有巨大的优势。
查询优化的方法有很多,其中传统算法有穷尽搜索算法,爬山法等。穷尽搜索算法通过穷尽查询策略集合中的每一条查询策略来寻找最优策略。当集合中关系个数较多时,算法的效率过低,响应时间过长。爬山法的搜索过程中,始终选择当前点的邻居中离目标最近者的方向搜索。也就是只搜索了一个子集,从而能够得到最优策略的概率很低。智能优化算法的提出,对此有很大的改善,并在查询优化问题上也得到了广泛的应用。最常用的有遗传算法、蚁群算法和粒子群算法等等。这类智能优化算法尤其适用于传统搜索算法难以解决的复杂及非线性问题。就遗传算法来说,它自身也有一定的局限性,容易遇到“早熟”问题,即在搜索后期只在最优解的附近振荡,陷入局部极值无法精准的搜索到全局的最优解,这样一来既延长了搜索的时间又降低了搜索的精度。
发明内容
针对上述已有技术中存在的缺陷,本发明提供了一种基于改进的遗传算法的查询优化方法。
本发明的技术方案是:一种基于改进的遗传算法的查询优化方法,所述查询优化方法步骤如下:
Step1、初始参数设置:设置迭代次数G,选择概率pc,变异概率pm,并将一个查询策略集D定义为一个搜索空间,D内的查询策略需要n步来完成查询任务;
Step2、建立查询策略代价评估模型:若查询策略需要n步来完成,那么查询策略空间内有n+1个节点,两节点间的代价为d,代价函数为:
其中,X={x1,x2,…xi…xn+1}为代价函数的解,并且x1,x2,…xn+1互不相同;所有解的集合称为解空间,即表示查询策略集D;模型中的节点表示查询状态,遍历一次n+1个节点表示采用一种查询策略完成查询任务;某一种查询策略得出查询结果所消耗的时间即为此种查询策略的代价,计算查询策略的代价的函数为代价函数,代价函数的一种解就提供了一种查询策略,查询策略集D为代价函数的解空间;
Step3、对代价模型求最优解:
Step3.1、对查询策略集中的策略进行编码,将编码所得的结果构建遗传算法初始种群;
Step3.2、根据公式(1)计算初始种群中染色体的代价,并将初始种群分为最优种群以及配种种群;
Step3.3、在种群中实施改进的搜索策略操作,改进的搜索策略为:对最优种群及配种种群进行基于基因上的交叉操作;
Step3.4、对交叉后的种群进行适应度值评价,即计算个体的代价;
Step3.5、对个体依照多倍体保留策略实施选择操作,更新新种群,并将新种群分为最优种群以及配种种群;
Step3.6、重复执行以上Step3.3、Step3.4、Step3.5,直到指定迭代次数G;
Step3.7、输出最优查询策略:将最终种群中最好的个体作为最终结果,将最优个体进行解码,即查询执行策略,并输出。
所述初始种群的数量为3的m次方,最优种群以及配种种群的数量比例为1:2。
所述基于基因上的交叉操作为:首先从配种种群中选择出一个配种二倍体,并从配种二倍体中随机挑选出一个染色体作为其中一个交叉的父代染色体,另一个交叉的父代染色体为最优种群中随机选取的一个染色体;从两个父代染色体中选取k个基因,对选定的基因做算术交叉;其中配种二倍体为配种种群中随机选取的一个保留种群和一个变异种群。
所述k取pc×n小数四舍五入后的整数。
本发明的工作原理是:
对一个查询执行策略集建立数学模型,即将查询优化问题转化为求全局最优解的数学问题。该模型叫做查询策略的代价评估模型;然后改进遗传算法,利用改进的遗传算法的全局搜索能力对查询策略集进行并行搜索,最终得到一个理想的查询执行策略。
本发明的有益效果是:对传统的遗传算法进行了改进,并将改进的遗传算法用于大型关系数据库的查询优化。克服了“早熟”收敛现象。与其他智能优化算法相比,能够有效避免陷入局部极值,从而缩短了搜索时间。其次,算法中应用的基于基因的搜索策略和基于多倍体的保留策略大大提高了搜索精度。将改进的遗传算法应用于大型关系数据库的查询优化,有效的提高了数据库的查询速度,缩短了查询优化相对时间,提高了得到最优策略的概率。
附图说明
图1为本发明的流程图;
图2为本发明代价收敛曲线图;
图3为本发明方法与传统查询优化算法在一定的结点数量下搜索到的最优策略的概率比较图。
具体实施方式
实施例1:如图1-3所示,一种基于改进的遗传算法的查询优化方法,所述查询优化方法步骤如下:
Step1、初始参数设置:设置迭代次数G,选择概率pc,变异概率pm,并将一个查询策略集D定义为一个搜索空间,D内的查询策略需要n步来完成查询任务;
Step2、建立查询策略代价评估模型:若查询策略需要n步来完成,那么查询策略空间内有n+1个节点,两节点间的代价为d,代价函数为:
其中,X={x1,x2,…xi…xn+1}为代价函数的解,并且x1,x2,…xn+1互不相同;所有解的集合称为解空间,即表示查询策略集D;模型中的节点表示查询状态,遍历一次n+1个节点表示采用一种查询策略完成查询任务;某一种查询策略得出查询结果所消耗的时间即为此种查询策略的代价,计算查询策略的代价的函数为代价函数,代价函数的一种解就提供了一种查询策略,查询策略集D为代价函数的解空间;
Step3、对代价模型求最优解:
Step3.1、对查询策略集中的策略进行编码,将编码所得的结果构建遗传算法初始种群;
Step3.2、根据公式(1)计算初始种群中染色体的代价,并将初始种群分为最优种群以及配种种群;
Step3.3、在种群中实施改进的搜索策略操作,改进的搜索策略为:对最优种群及配种种群进行基于基因上的交叉操作;
Step3.4、对交叉后的种群进行适应度值评价,即计算个体的代价;
Step3.5、对个体依照多倍体保留策略实施选择操作,更新新种群,并将新种群分为最优种群以及配种种群;
Step3.6、重复执行以上Step3.3、Step3.4、Step3.5,直到指定迭代次数G;
Step3.7、输出最优查询策略:将最终种群中最好的个体作为最终结果,将最优个体进行解码,即查询执行策略,并输出。
所述初始种群的数量为3的m次方,最优种群以及配种种群的数量比例为1:2。
所述基于基因上的交叉操作为:首先从配种种群中选择出一个配种二倍体,并从配种二倍体中随机挑选出一个染色体作为其中一个交叉的父代染色体,另一个交叉的父代染色体为最优种群中随机选取的一个染色体;从两个父代染色体中选取k个基因,对选定的基因做算术交叉;其中配种二倍体为配种种群中随机选取的一个保留种群和一个变异种群。
所述k取pc×n小数四舍五入后的整数。
实施例2:如图1-3所示,一种基于改进的遗传算法的查询优化方法,所述查询优化方法步骤如下:
Step1、初始参数设置:设置迭代次数G,选择概率pc,变异概率pm,并将一个查询策略集D定义为一个搜索空间,D内的查询策略需要n步来完成查询任务;
Step2、建立查询策略代价评估模型:若查询策略需要n步来完成,那么查询策略空间内有n+1个节点,两节点间的代价为d,代价函数为:
其中,X={x1,x2,…xi…xn+1}为代价函数的解,并且x1,x2,···xn+1互不相同;所有解的集合称为解空间,即表示查询策略集D;模型中的节点表示查询状态,遍历一次n+1个节点表示采用一种查询策略完成查询任务;某一种查询策略得出查询结果所消耗的时间即为此种查询策略的代价,计算查询策略的代价的函数为代价函数,代价函数的一种解就提供了一种查询策略,查询策略集D为代价函数的解空间;
Step3、对代价模型求最优解:
Step3.1、对查询策略集中的策略进行编码,将编码所得的结果构建遗传算法初始种群;
Step3.2、根据公式(1)计算初始种群中染色体的代价,并将初始种群分为最优种群以及配种种群;
Step3.3、在种群中实施改进的搜索策略操作,改进的搜索策略为:对最优种群及配种种群进行基于基因上的交叉操作;
Step3.4、对交叉后的种群进行适应度值评价,即计算个体的代价;
Step3.5、对个体依照多倍体保留策略实施选择操作,更新新种群,并将新种群分为最优种群以及配种种群;
Step3.6、重复执行以上Step3.3、Step3.4、Step3.5,直到指定迭代次数G;
Step3.7、输出最优查询策略:将最终种群中最好的个体作为最终结果,将最优个体进行解码,即查询执行策略,并输出。
实施例3:如图1-3所示,一种基于改进的遗传算法的查询优化方法,所述查询优化方法步骤如下:
Step1、初始参数设置。将一个查询策略集D定义为一个搜索空间,设D内的查询策略需要9步来完成查询任务。
Step1.1、确定初始参数:迭代次数G=100,选择概率pc=0.2,变异概率pm=0.4。
Step2、建立查询策略代价评估模型。某一种查询策略得出查询结果所消耗的时间即为此种查询策略的代价,计算查询策略的代价的函数为代价函数。代价函数的一种解就提供了一种查询策略,查询策略集D为代价函数的解空间。
设查询策略需要n=9步来完成,那么查询策略空间内有10个节点,两节点间的代价(即消耗的时间)为d,为节点xi到节点xi+1所表示的两个节点之间的代价,代价函数为:
其中,X={x1,x2,···xi···x10}为代价函数的解,并且x1,x2,…x10互不相同。所有解的集合称为解空间,即表示查询策略集D。模型中的节点表示查询状态,遍历一次10个节点表示采用一种查询策略完成查询任务。
Step3、对代价模型求最优解。首先设定初始参数,构建遗传算法初始种群。
Step3.1、对查询策略空间中所有策略进行编码,将编码所得的结果构建遗传算法初始种群。
Step3.1.1、将关系数据库中每个关系的查询策略用数字代号标记。具体的说,由一个关系节点利用一定查询策略查询出下一个节点会消耗一定的时间,我们可将这所用时间的大小来标记此种查询策略,单位为ms。
并利用实数编码将所有节点的查询策略编码成各染色体。每一种策略都有查询时间范围。例如,遍历10个节点,分别耗时120ms、90ms、42ms、39ms、87ms、126ms、108ms、64ms、136ms,则将此次查询编码为[120,90,42,39,87,126,108,64,136]的染色体。
Step3.1.2、编码完成后,初始种群则为9×9维的矩阵,即l=9条染色体,而每个染色体由9个基因构成(基因个数与一个查询策略需要的步数相同)。
Step3.2、根据公式(1)计算初始种群中染色体的代价,并将初始种群分为最优种群以及配种种群。
对初始种群中所有染色体根据公式(1)进行代价评价、排序,从初始种群中选出3个代价值较低的染色体作为最优种群,剩余6个染色体作为配种种群。其中配种种群又平分为保留种群和变异种群,即保留种群包含3个染色体,变异种群中包含3个染色体(最优种群、保留种群和变异种群个数满足1:1:1)。
Step3.3、在种群中实施搜索操作,改进的搜索策略为:对最优种群及配种种群进行基于基因上的交叉操作,操作步骤如下:
Step3.3.1、从配种种群中随机选择出一个配种二倍体,并从中随机挑选出一个染色体作为其中一个交叉的父代染色体。另一个交叉的父代染色体为最优单体。
Step3.3.2、从两个父代染色体上以一定的概率选取某些基因。通过大量实验确定随机基因选择概率pc为0.2,则每个染色体上选取基因个数为k=pc×9≈2,那么从每个染色体上的9个基因中随机选出2个基因。
对选定的基因做算术交叉。设随机从父代染色体中选取出的一组基因为交叉操作后对应的基因由下式得出:
其中,λ是[0,1]间的随机数,并且每次交叉操作中的λ不同。
Step3.3.3、重复以上步骤3.3.1、3.3.2,直到种群中最优种群中每条染色体交叉完毕。
传统遗传算法经过交叉操作后容易产生不可行性解,造成了搜索过程减慢,同时易陷入局部极值。经过这种随机基因上的交叉,避免了以上问题,提高了算法的局部勘探能力,改善了算法的搜索效率。
Step3.4、对交叉后的种群进行适应度值评价。对交叉后产生的所有配子进行适应度值评价,即对每种查询策略用公式(1)进行代价计算。
Step3.5、对个体依照多倍体保留策略实施选择操作,更新新种群。
Step3.5.1、比较。新产生的配子与父代最优单体进行比较。如果,配子的代价较小,则在配子中择优替换父代最优单体,而此时的配种二倍体保持不变。不然,则父代最优单体保持不变,在配子中随机选取一个替换保留单体,另一个配子做变异操作后替换变异单体。
Step3.5.2、若进行变异操作,则按照以下公式操作,变异概率为pm=0.4,为父代第j个染色体中第i个基因,变异操作后得到的子代第j个染色体中第i个基因 由下式得出:
Step 3.5.3、重复以上步骤3.5.1、3.5.2,直到新种群更新完毕。
Step3.6、重复执行以上步骤3.3、3.4、3.5,直到指定进化次数G。
Step3.7、将遗传算法输出最好的个体作为最终结果;将最优个体进行解码,假定得到的数字代码为:[42,90,120,39,87,108,126,64,136],即将数字代码一一转换为查询策略,最终得到最优查询执行策略,并输出。
采用上述方法对查询策略需要9步来完成,即查询策略空间中包含10个节点进行查询优化。具体实验参数为,最大进化代数为查询关系数目的4倍,交叉概率为0.2,变异概率为0.4。图2是基于改进遗传算法的查询优化方法的代价收敛曲线图。图3是改进遗传算法与传统查询优化算法在一定的结点数量下搜索到的最优策略的概率比较图,通过比较可以看出,在一定的结点个数下,通过改进遗传算法得到的最优策略的概率要远远高于传统查询优化算法。可以证明本发明能够快速的输出最优策略,并且得到最优策略的概率要高于传统查询优化算法。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种基于改进的遗传算法的查询优化方法,其特征在于:所述查询优化方法步骤如下:
Step1、初始参数设置:设置迭代次数G,选择概率pc,变异概率pm,并将一个查询策略集D定义为一个搜索空间,查询策略集D内的查询策略需要n步来完成查询任务;
Step2、建立查询策略代价评估模型:若查询策略需要n步来完成,那么查询策略空间内有n+1个节点,两节点间的代价为d,代价函数为:
其中,为节点xi到节点xi+1所表示的两个节点之间的代价,X={x1,x2,…xi…xn+1}为代价函数的解,并且x1,x2,…xn+1互不相同;所有解的集合称为解空间,即表示查询策略集D;模型中的节点表示查询状态,遍历一次n+1个节点表示采用一种查询策略完成查询任务;某一种查询策略得出查询结果所消耗的时间即为此种查询策略的代价,计算查询策略的代价的函数为代价函数,代价函数的一种解就提供了一种查询策略,查询策略集D为代价函数的解空间;
Step3、对代价模型求最优解:
Step3.1、对查询策略集D中的策略进行编码,将编码所得的结果构建遗传算法初始种群;
Step3.2、根据公式(1)计算初始种群中染色体的代价,并将初始种群分为最优种群以及配种种群;
Step3.3、在种群中实施改进的搜索策略操作,改进的搜索策略为:对最优种群及配种种群进行基于基因上的交叉操作;
Step3.4、对交叉后的种群进行适应度值评价,即计算个体的代价;
Step3.5、对个体依照多倍体保留策略实施选择操作,更新新种群,并将新种群分为最优种群以及配种种群;
Step3.6、重复执行以上Step3.3、Step3.4、Step3.5,直到指定迭代次数G;
Step3.7、输出最优查询策略:将最终种群中最好的个体作为最终结果,将最优个体进行解码,即查询执行策略,并输出;
所述基于基因上的交叉操作为:首先从配种种群中选择出一个配种二倍体,并从配种二倍体中随机挑选出一个染色体作为其中一个交叉的父代染色体,另一个交叉的父代染色体为最优种群中随机选取的一个染色体;从两个父代染色体中选取k个基因,对选定的基因做算术交叉;其中配种二倍体为配种种群中随机选取的一个保留种群和一个变异种群。
2.根据权利要求1所述的基于改进的遗传算法的查询优化方法,其特征在于:所述初始种群的数量为3的m次方,最优种群以及配种种群的数量比例为1:2。
3.根据权利要求1所述的基于改进的遗传算法的查询优化方法,其特征在于:所述k取pc×n小数四舍五入后的整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510522299.1A CN105117461B (zh) | 2015-08-24 | 2015-08-24 | 一种基于改进的遗传算法的查询优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510522299.1A CN105117461B (zh) | 2015-08-24 | 2015-08-24 | 一种基于改进的遗传算法的查询优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105117461A CN105117461A (zh) | 2015-12-02 |
CN105117461B true CN105117461B (zh) | 2018-10-02 |
Family
ID=54665451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510522299.1A Active CN105117461B (zh) | 2015-08-24 | 2015-08-24 | 一种基于改进的遗传算法的查询优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105117461B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730004B (zh) * | 2017-09-20 | 2021-12-28 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种自我策略迭代吸收的gft智能决策模型自搏训练方法 |
CN107694094A (zh) * | 2017-10-10 | 2018-02-16 | 电子科技大学 | 一种桥牌牌局样本生成方法 |
CN109299142B (zh) * | 2018-11-14 | 2020-10-27 | 中山大学 | 一种基于进化算法的卷积神经网络结构搜索方法及系统 |
CN110782080B (zh) * | 2019-10-21 | 2022-05-27 | 浙江大学 | 一种基于种群性能排序选择的电力系统结构优化方法 |
CN110750560B (zh) * | 2019-10-25 | 2023-02-03 | 东北大学 | 一种优化网络多连接的系统和方法 |
CN113868242B (zh) * | 2020-06-30 | 2023-03-21 | 金篆信科有限责任公司 | 全局索引的分布策略调整方法、计算机设备及存储介质 |
CN112256925B (zh) * | 2020-10-21 | 2022-10-04 | 西安电子科技大学 | 一种面向多请求的科学工作流数据集存储方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950375A (zh) * | 2010-09-03 | 2011-01-19 | 清华大学 | 基于遗传算法遍历辨识的未知模型阶次确定方法 |
CN103885033A (zh) * | 2014-02-25 | 2014-06-25 | 西安电子科技大学 | 基于遗传算法的机载雷达脉冲重复频率组优化方法 |
-
2015
- 2015-08-24 CN CN201510522299.1A patent/CN105117461B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950375A (zh) * | 2010-09-03 | 2011-01-19 | 清华大学 | 基于遗传算法遍历辨识的未知模型阶次确定方法 |
CN103885033A (zh) * | 2014-02-25 | 2014-06-25 | 西安电子科技大学 | 基于遗传算法的机载雷达脉冲重复频率组优化方法 |
Non-Patent Citations (4)
Title |
---|
基于基因控制的遗传算法的研究;李红梅等;《科技信息》;20100531(第5期);全文 * |
基于遗传算法的分布式数据库查询优化研究;帅训波等;《小型微型计算机系统》;20090831;第30卷(第8期);第1600-1603页 * |
模仿二倍体繁殖的改进遗传算法;邵克勇等;《系统仿真学报》;20120430;第24卷(第4期);全文 * |
针对传统遗传算法的改进研究;熊志勇等;《电脑知识与技术》;20090430;第5卷(第12期);第3199页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105117461A (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117461B (zh) | 一种基于改进的遗传算法的查询优化方法 | |
CN110160546A (zh) | 一种移动机器人路径规划方法 | |
CN107272679A (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN112966445B (zh) | 一种基于强化学习模型fqi的水库防洪优化调度方法 | |
CN108388666A (zh) | 一种基于萤火虫算法的数据库多表连接查询优化方法 | |
CN112163808B (zh) | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 | |
Ducange et al. | Multi-objective evolutionary fuzzy systems | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
CN106845696B (zh) | 一种智能优化水资源配置方法 | |
CN109840551B (zh) | 一种用于机器学习模型训练的优化随机森林参数的方法 | |
Wu et al. | Intelligent Design model of urban landscape space based on optimized BP neural network | |
CN113219994A (zh) | 一种包含交通信号灯的栅格地图最优路径规划方法 | |
CN108198084A (zh) | 一种复杂网络重叠社区发现方法 | |
Fu et al. | A novel firefly algorithm based on improved learning mechanism | |
CN107871157A (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
CN103336829B (zh) | 基于模拟退火算法的查询优化方法 | |
CN112487723B (zh) | 一种基于多参数的中水热源泵系统优化设计方法 | |
CN105117616A (zh) | 基于粒子群算法的微生物发酵优化方法 | |
CN102708241B (zh) | 一种用于油藏历史拟合的快速粒子群方法 | |
CN114565242A (zh) | 一种综合低碳能源基地选址智能优化方法及装置 | |
CN103440540B (zh) | 一种土地利用空间布局人工免疫优化模型的并行化方法 | |
CN114204613A (zh) | 一种海上风电场接入电力系统的无功补偿方法和系统 | |
Zhang | Multiple mutation strategy of adaptive differential evolution algorithm research | |
CN111683376B (zh) | 一种大田协同灌溉通信网络节点优化部署方法 | |
Hengxiang et al. | Research on Application of Computer Database Technology in Distributed Query Optimization Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |