CN115391385A - 一种基于蚁群遗传动态融合算法的数据库查询优化方法 - Google Patents
一种基于蚁群遗传动态融合算法的数据库查询优化方法 Download PDFInfo
- Publication number
- CN115391385A CN115391385A CN202211109680.1A CN202211109680A CN115391385A CN 115391385 A CN115391385 A CN 115391385A CN 202211109680 A CN202211109680 A CN 202211109680A CN 115391385 A CN115391385 A CN 115391385A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- ant
- genetic
- query
- pheromone
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 135
- 230000002068 genetic effect Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 239000003016 pheromone Substances 0.000 claims description 50
- 210000000349 chromosome Anatomy 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 241000257303 Hymenoptera Species 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 6
- 201000004569 Blindness Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
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
- 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
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于蚁群遗传动态融合算法的数据库查询优化方法，属于数据库查询技术领域，综合运用多蚁群算法和遗传算法，构建动态多蚂蚁遗传混合算法，可以解决现有蚁群遗传融合搜索技术的局限性，有效地提高了数据库系统的查询速度，降低数据库运行的整体成本。本发明针对传统蚂蚁算法经常出现的局部最优现象，引入多蚂蚁算法和学习算子，可以获得全局最优解；针对蚂蚁遗传混合算法中常见的收敛速度偏慢的问题，引入动态迭代规则，有效地提高了算法的收敛速度。
Description
技术领域
本发明具体涉及一种基于蚁群遗传动态融合算法的数据库查询优化方法，属于数据库查询技术领域。
背景技术
分布式数据库是目前数据库的主流形式，随着数据存储量的暴增以及查询要求的日益复杂化，如何提高分布式数据库的查询速度成为降低数据库运行成本的关键问题。
目前，在分布式数据库查询技术领域，蚁群算法的应用最为广泛，但是蚁群算法的前期搜索存在盲目性，并且容易出现局部最优以及搜索早熟等现象，陷入局部最优的情况；蚂蚁算法与遗传算法混合可以解决蚂蚁算法前期搜索的盲目性，但现有的蚂蚁遗传混合算法一般会设置一个固定的迭代次数来控制遗传算法和蚂蚁算法的融合，这导致即使种群进化效果不理想，遗传算法也要在继续进行固定次数的无用迭代后才转向蚂蚁算法，从而使得该算法的搜索速度偏慢。
发明内容
本发明的目的在于针对现有技术不足，提出一种基于蚁群遗传动态融合算法的数据库查询优化方法，属于数据库查询技术领域，综合运用多蚁群算法和遗传算法，构建动态多蚁群遗传算法，并针对蚁群算法在收敛速度上存在不足的缺陷，引入多蚁群以及最大最小蚁群系统，并嵌入动态遗传算法操作，可以解决现有蚁群遗传融合搜索技术的局限性，有效地提高了数据库系统的查询速度，降低整体开销。
为解决上述技术问题，本发明采用的技术方案为：
一种基于蚁群遗传动态融合算法的数据库查询优化方法，包括如下步骤：
步骤1：对分布式数据库网络拓扑结构进行设置；
步骤2：针对分布式数据库多表关联查询问题的特点，使用串结构式编码，形成染色体；
步骤3：初始化遗传算法，设定遗传算法的最大迭代次数和最小迭代次数；
步骤4：开始进行遗传算法迭代，对染色体进行变异以及交叉操作，形成新的染色体，将染色体转换成查询路径，计算适应度值；
步骤5：引入遗传算法迭代终止规则，满足终止条件则进入下一步骤，否则重复步骤3；
步骤6：使用遗传算法的最优查询路径，构建蚂蚁算法的初始信息素；
步骤7：引入多个蚂蚁系统，并在不同蚂蚁系统之间嵌入一个学习算子，使得不同系统之间可以相互学习，更新信息素，从而得到搜索算法的全局最优解；
步骤8：设置发出查询请求的网络节点；
步骤9：按照多个蚂蚁系统中的转移概率公式进行节点之间的转移；
步骤10：判断蚂蚁算法搜索是否符合终止条件，如果没有，返回步骤(11)；否则，输出结果；
步骤11：得出最优查询执行计划；
步骤12：模型测试。
优选的，步骤2中染色体分为三部分：连接次序与站点选择编码段、关系副本选择编码段和半连接操作编码段。
进一步的，步骤4中适应度函数的计算公式为：
其中，F为适应度函数，值越大说明查询路径的成本越低，Ci为查询路径上节点i对应的通讯费用，Sij为查询路径上的节点i与节点j之间对应的通讯费用，n为查询路径上的节点总数量，m为所有节点之间的总路径条数。
优选的，步骤4中变异采用高斯变异方法，交叉操作的交叉算子用均匀交叉方法，按照概率交换两个父辈个体基因串。
进一步的，遗传算法迭代终止规则包括适应度规则和进化率规则，当满足任一规则终止条件，终止遗传算法；
适应度规则为：在设定的迭代次数范围内，如果连续遗传n代，都满足ΔFn<ΔFn-1，则结束遗传操作，生成信息素，其中，
ΔFn表示第n代遗传种群的适应度差值，ΔFn-1表示第n-1代遗传种群的适应度差值，
表示第n代遗传种群的最大适应度值，
表示第n代遗传种群的平均适应度值；
进化率规则为：在设定的迭代次数范围内，连续迭代n代后，子代的进化率低于给定的最小进化率λ，则终止遗传算法，并计算信息素。
进一步的，步骤6中蚂蚁算法的初始信息素为：
τij(0)＝γ1τij+Δτij (0)
其中，
Δτij(0)＝I/L
τij(0)表示查询连接边(i,j)上的初始信息素值，γ2为信息素更新因子，I为信息素总量，L为路径长度。
进一步的，信息素的更新机制定义为:
τij(t+1)＝γ2τij(t)+Δτij(t，t+1)
其中，τij(t)为路径连接边(i,j)上的信息素值，信息素的滞后算子是γ2，Δτij(t，t+1)为第t次循环时，所有蚂蚁释放的信息素，m为蚂蚁总个数。
优选的，引入最大最小蚂蚁系统，将所有路径的信息素限制在最大值τmax和最小值τmin之间，高于或低于这一区域都会被自动调整为τmax或τmin，以此来避免蚂蚁算法搜索停滞的现象。
进一步的，不同蚁群之间的学习规则设定为：
其中，τij m为子蚁群m在连接边(i,j)上的信息素值，τij k为子蚁群k在连接边(i,j)上的信息素值，δ为蚁群间的学习算子，α为子蚁群数量。
进一步的，步骤9的转移概率公式为：
其中，τij(t)为第t次搜索时在连接边(i,j)上的信息素值，α为其在概率计算中的权重，ηij为启发信息，β为启发信息在概率计算中的权重，k表示蚂蚁算法在搜索过程中下一步被允许走的节点。
本发明与现有技术相比，具有如下有益效果：
本发明的目的在于针对现有技术不足，提出一种基于蚁群遗传动态融合算法的数据库查询优化方法，属于数据库查询技术领域，综合运用多蚁群算法和遗传算法，构建动态多蚁群遗传算法，并针对蚁群算法在收敛速度上存在不足的缺陷，引入多蚁群以及最大最小蚁群系统，并嵌入动态遗传算法操作，可以解决现有蚁群遗传融合搜索技术的局限性，有效地提高了数据库系统的查询速度，降低整体开销。
1、本发明综合运用蚁群算法和遗传算法，构建动态多蚂蚁遗传混合算法，针对蚁群算法在收敛速度上存在不足的缺陷，引入最大最小蚁群系统，可以提高蚂蚁算法的收敛速度。
2、本发明针对蚂蚁算法经常出现的局部最优现象，引入多蚂蚁算法和学习算子，可以获得全局最优解；针对蚂蚁遗传混合算法中常见的收敛速度偏慢的问题，引入动态迭代规则，使得遗传算法具有动态性，有效地提高了算法的收敛速度。
3、本发明引入两个遗传算法迭代终止规则，满足其中一个终止规则，即终止遗传算法进入蚂蚁算法，有效地提高了融合算法的收敛速度。
附图说明
图1为本发明的一种基于蚁群遗传动态融合算法的数据库查询优化方法的核心流程图。
具体实施方式
下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。
本发明在数据库查询优化方面主要有两个技术基础：
遗传算法(Genetic Algorithm，GA)：该算法利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时，相对一些常规的优化算法,通常能够较快地获得较好的优化结果。遗传算法已被、广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
蚁群算法：该算法用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。
本发明综合运用蚁群算法和遗传算法，构建动态多蚂蚁遗传混合算法，可以解决现有蚁群遗传融合搜索技术的局限性，有效地提高了数据库系统的查询速度，降低数据库运行的整体成本。针对蚁群算法在收敛速度上存在不足的缺陷，引入最大最小蚁群系统，可以提高蚂蚁算法的收敛速度；针对蚂蚁算法经常出现的局部最优现象，引入多蚂蚁算法和学习算子，可以获得全局最优解；针对蚂蚁遗传混合算法中常见的收敛速度偏慢的问题，引入动态迭代规则，有效地提高了算法的收敛速度。
如图1所示，本发明的一种基于蚁群遗传动态融合算法的数据库查询优化方法的核心流程为：
步骤1：对分布式数据库网络拓扑结构进行设置；
步骤2：针对分布式数据库多表关联查询问题的特点，使用串结构式编码，形成染色体；
步骤3：初始化遗传算法相关数值，包括交叉率、变异率等，并设定遗传算法的最大迭代次数和最小迭代次数；
步骤4：开始进行遗传算法迭代，对染色体进行变异以及交叉操作，形成新的染色体，将染色体转换成查询路径，计算具体的适应度值；
步骤5：适应度值或者进化率满足终止条件则进入下一步骤，否则重复步骤3；
步骤6：使用遗传算法的最优查询路径，构建蚂蚁算法的初始信息素；
步骤7：初始化多蚁群算法的相关参数值，包括设定节点间的转移概率公式、构建子蚁群间的学习算子、蚁群大小、蚁群数量、信息素因子等；
步骤8：设置发出查询请求的网络节点；
步骤9：按照转移概率公式进行节点之间的转移；
步骤10：判断蚂蚁算法搜索是否符合终止条件，如果没有，返回步骤(11)；否则，输出结果；
步骤11：得出最优查询执行计划(QEP)；
步骤12：模型测试。
具体的，本发明包括：
(一)遗传算法部分
(1)编码
针对分布式数据库多表联系查询问题的特点，使用串结构式编码。染色体分为三部分：连接次序与站点选择编码段、关系副本选择编码段和半连接操作编码段。
(2)适应度函数
构建遗传算法的适应度函数来刻画算法所求解的性质，适应度函数定义为：
其中，Ci为查询路径上节点i对应的通讯费用，Sij为查询路径上的节点i与节点j之间对应的通讯费用，n为查询路径上的节点总数量，m为所有节点之间的总路径条数。F为适应度函数，值越大说明查询路径的成本越低。
(3)交叉与变异
采用锦标赛选择法，根据适应度函数选择进行交叉的个体，适应度函数值最高的个体保留到下一代。遗传算法中的交叉算子采用均匀交叉方法，也即按照概率交换两个父辈个体基因串；遗传变异采用高斯变异方法。
(二)遗传算法的终止规则
混合算法的关键在于找到两种算法的最佳衔接点。现有的蚂蚁遗传混合算法中，遗传算法部分通常会出现收敛速度偏慢的问题，使得混合算法的效率偏低。
设定遗传算法操作的最小迭代次数gmin和最大迭代次数gmax，本发明引入两个遗传算法迭代终止规则，满足其中一个终止规则，即终止遗传算法进入蚂蚁算法，有效地提高了融合算法的收敛速度。
规则一(适应度规则)：在设定的迭代次数范围内，如果连续遗传n代，都满足
则结束遗传操作，生成信息素。其中，
表示第n代遗传种群的最大适应度值，
表示第n代遗传种群的平均适应度值。
规则二(进化率规则)：在设定的迭代次数范围内，连续迭代n代后，子代的进化率低于给定的最小进化率λ，则终止遗传算法，并计算信息素，转入蚁群算法。
(三)蚂蚁算法部分
按照遗传算法的最优路径，产生蚁群算法的初始信息素分布矩阵。定义为：
τij(0)＝γ1τij+Δτij(0)
其中，τij(0)表示查询连接边(i,j)上的初始信息素值，γ2为信息素更新因子，Δτij(0)＝I/L，I为信息素总量，L为路径长度。
蚁群算法在搜索时选择下一个节点的概率是随机的，在不同节点之间的转移概率定义为：
其中，τij(t)为第t次搜索时在连接边(i,j)上的信息素值，α为其在概率计算中的权重。ηij为启发信息，β为启发信息在概率计算中的权重。k表示蚂蚁算法在搜索过程中下一步被允许走的节点。
信息素的更新机制定义为:
τij(t+1)＝γ2τij(t)+Δτij(t，t+1)
其中，τij(t)为路径连接边(i,j)上的信息素值，信息素的滞后算子是γ2，Δτij(t，t+1)为第t次循环时，所有蚂蚁释放的信息素，
m为蚂蚁总个数。
引入最大最小蚂蚁系统，将所有路径的信息素限制在最大值τmax和最小值τmin之间，高于或低于这一区域都会被自动调整为τmax或τmin，以此来避免蚂蚁算法搜索停滞的现象。
针对蚂蚁算法经常出现的局部最优现象，引入多个蚂蚁系统，并在不同蚂蚁系统之间嵌入一个学习算子，使得不同系统之间可以相互学习，从而得到搜索算法的全局最优解。
不同蚁群之间的学习规则设定为：
其中，τij m为子蚁群m在连接边(i,j)上的信息素值，τij k为子蚁群k在连接边(i,j)上的信息素值，δ为蚁群间的学习算子，α为子蚁群数量。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
Claims (10)
1.一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于，包括如下步骤：
步骤1：对分布式数据库网络拓扑结构进行设置；
步骤2：针对分布式数据库多表关联查询问题的特点，使用串结构式编码，形成染色体；
步骤3：初始化遗传算法，设定遗传算法的最大迭代次数和最小迭代次数；
步骤4：开始进行遗传算法迭代，对染色体进行变异以及交叉操作，形成新的染色体，将染色体转换成查询路径，计算适应度值；
步骤5：引入遗传算法迭代终止规则，满足终止条件则进入下一步骤，否则重复步骤3；
步骤6：使用遗传算法的最优查询路径，构建蚂蚁算法的初始信息素；
步骤7：引入多个蚂蚁系统，并在不同蚂蚁系统之间嵌入一个学习算子，使得不同系统之间可以相互学习，更新信息素，从而得到搜索算法的全局最优解；
步骤8：设置发出查询请求的网络节点；
步骤9：按照多个蚂蚁系统中的转移概率公式进行节点之间的转移；
步骤10：判断蚂蚁算法搜索是否符合终止条件，如果没有，返回步骤(11)；否则，输出结果；
步骤11：得出最优查询执行计划；
步骤12：模型测试。
2.根据权利要求1所述一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于：步骤2中染色体分为三部分：连接次序与站点选择编码段、关系副本选择编码段和半连接操作编码段。
3.根据权利要求1所述一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于：步骤4中适应度函数的计算公式为：
其中，F为适应度函数，值越大说明查询路径的成本越低，Ci为查询路径上节点i对应的通讯费用，Sij为查询路径上的节点i与节点j之间对应的通讯费用，n为查询路径上的节点总数量，m为所有节点之间的总路径条数。
4.根据权利要求2所述一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于：步骤4中变异采用高斯变异方法，交叉操作的交叉算子用均匀交叉方法，按照概率交换两个父辈个体基因串。
5.根据权利要求1所述一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于：
遗传算法迭代终止规则包括适应度规则和进化率规则，当满足任一规则终止条件，终止遗传算法；
适应度规则为：在设定的迭代次数范围内，如果连续遗传n代，都满足ΔFn<ΔFn-1，则结束遗传操作，生成信息素，其中，
ΔFn表示第n代遗传种群的适应度差值，ΔFn-1表示第n-1代遗传种群的适应度差值，
表示第n代遗传种群的最大适应度值，
表示第n代遗传种群的平均适应度值；
进化率规则为：在设定的迭代次数范围内，连续迭代n代后，子代的进化率低于给定的最小进化率λ，则终止遗传算法，并计算信息素。
6.根据权利要求1所述一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于：
步骤6中蚂蚁算法的初始信息素为：
τij(0)＝γ1τij+Δτij(0)
其中，
Δτij(0)＝I/L
τij(0)表示查询连接边(i,j)上的初始信息素值，γ2为信息素更新因子，I为信息素总量，L为路径长度。
7.根据权利要求6所述一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于：
信息素的更新机制定义为:
τij(t+1)＝γ2τij(t)+Δτij(t，t+1)
其中，τij(t)为路径连接边(i,j)上的信息素值，信息素的滞后算子是γ2，Δτij(t，t+1)为第t次循环时，所有蚂蚁释放的信息素，m为蚂蚁总个数。
8.根据权利要求7所述一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于：引入最大最小蚂蚁系统，将所有路径的信息素限制在最大值τmax和最小值τmin之间，高于或低于这一区域都会被自动调整为τmax或τmin，以此来避免蚂蚁算法搜索停滞的现象。
9.根据权利要求8所述一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于：
不同蚁群之间的学习规则设定为：
其中，τij m为子蚁群m在连接边(i,j)上的信息素值，τij k为子蚁群k在连接边(i,j)上的信息素值，δ为蚁群间的学习算子，α为子蚁群数量。
10.根据权利要求9所述一种基于蚁群遗传动态融合算法的数据库查询优化方法，其特征在于：
步骤9的转移概率公式为：
其中，τij(t)为第t次搜索时在连接边(i,j)上的信息素值，α为其在概率计算中的权重，ηij为启发信息，β为启发信息在概率计算中的权重，k表示蚂蚁算法在搜索过程中下一步被允许走的节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211109680.1A CN115391385A (zh) | 2022-09-13 | 2022-09-13 | 一种基于蚁群遗传动态融合算法的数据库查询优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211109680.1A CN115391385A (zh) | 2022-09-13 | 2022-09-13 | 一种基于蚁群遗传动态融合算法的数据库查询优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115391385A true CN115391385A (zh) | 2022-11-25 |
Family
ID=84126939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211109680.1A Pending CN115391385A (zh) | 2022-09-13 | 2022-09-13 | 一种基于蚁群遗传动态融合算法的数据库查询优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115391385A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116662395A (zh) * | 2023-07-24 | 2023-08-29 | 广州图灵科技有限公司 | 一种分布式数据库并行查询方法、系统、装置及存储介质 |
| CN116684885A (zh) * | 2023-05-17 | 2023-09-01 | 中远海运科技股份有限公司 | 一种基于遗传蚁群模拟退火混合算法的卫星通信链路优化方法 |
| CN117973812A (zh) * | 2024-03-29 | 2024-05-03 | 北京卓导科技有限公司 | 一种基于大数据的企业信息化管理平台及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
| CN106611378A (zh) * | 2016-01-18 | 2017-05-03 | 四川用联信息技术有限公司 | 一种基于优先权编码的混合遗传算法解作业车间调度问题 |
| CN107943045A (zh) * | 2017-12-08 | 2018-04-20 | 江苏商贸职业学院 | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 |
| CN109669957A (zh) * | 2018-11-27 | 2019-04-23 | 常州市武进区半导体照明应用技术研究院 | 一种基于多蚁群遗传算法的分布式数据库查询优化方法 |
| CN112666957A (zh) * | 2020-12-24 | 2021-04-16 | 苏州市职业大学 | 一种基于改进蚁群算法的水下机器人路径规划方法 |
| WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
| WO2022000924A1 (zh) * | 2020-07-01 | 2022-01-06 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
-
2022
- 2022-09-13 CN CN202211109680.1A patent/CN115391385A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
| CN106611378A (zh) * | 2016-01-18 | 2017-05-03 | 四川用联信息技术有限公司 | 一种基于优先权编码的混合遗传算法解作业车间调度问题 |
| CN107943045A (zh) * | 2017-12-08 | 2018-04-20 | 江苏商贸职业学院 | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 |
| CN109669957A (zh) * | 2018-11-27 | 2019-04-23 | 常州市武进区半导体照明应用技术研究院 | 一种基于多蚁群遗传算法的分布式数据库查询优化方法 |
| WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
| WO2022000924A1 (zh) * | 2020-07-01 | 2022-01-06 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
| CN112666957A (zh) * | 2020-12-24 | 2021-04-16 | 苏州市职业大学 | 一种基于改进蚁群算法的水下机器人路径规划方法 |
Non-Patent Citations (7)
| Title |
|---|
| "Hybrid Algorithm Combining Ant Colony Optimization Algorithm with Genetic Algorithm", 《IEEE》 * |
| 周莹: "基于多蚁群遗传算法的分布式数据库查询优化研究", 《信息科技辑》, no. 02, pages 138 - 2210 * |
| 周莹;陈军华;: "基于多蚁群遗传算法的分布式数据库查询优化", 上海师范大学学报(自然科学版), no. 01 * |
| 帅训波等: "基于遗传算法的分布式数据库查询优化研究", 《信息科技》, no. 08, pages 1600 - 1604 * |
| 梁旭;刘鹏飞;黄明;: "一种新的动态蚂蚁遗传混合算法应用研究", 计算机集成制造系统, no. 08, pages 1555 - 1570 * |
| 汪民乐: "先进遗传算法及其工程应用", pages 13 - 17, Retrieved from the Internet <URL:超星读秀> * |
| 王岩著: "面向云计算的任务优化调度关键技术研究", 面向云计算的任务优化调度关键技术研究, pages: 64 - 66 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116684885A (zh) * | 2023-05-17 | 2023-09-01 | 中远海运科技股份有限公司 | 一种基于遗传蚁群模拟退火混合算法的卫星通信链路优化方法 |
| CN116662395A (zh) * | 2023-07-24 | 2023-08-29 | 广州图灵科技有限公司 | 一种分布式数据库并行查询方法、系统、装置及存储介质 |
| CN117973812A (zh) * | 2024-03-29 | 2024-05-03 | 北京卓导科技有限公司 | 一种基于大数据的企业信息化管理平台及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115391385A (zh) | 一种基于蚁群遗传动态融合算法的数据库查询优化方法 | |
| CN109635495B (zh) | 基于神经网络和遗传算法的干道相位差仿真优化方法 | |
| CN112100940A (zh) | 光纤预制棒一次拉伸工艺参数预测方法及装置 | |
| CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
| CN113222165A (zh) | 一种基于遗传算法的量子线路优化方法 | |
| CN112734051A (zh) | 一种针对分类问题的进化集成学习方法 | |
| CN108665068A (zh) | 供水管网水力模型自动校核问题的改进遗传算法 | |
| CN115952424A (zh) | 一种基于多视图结构的图卷积神经网络聚类方法 | |
| CN106845696B (zh) | 一种智能优化水资源配置方法 | |
| CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
| CN115481727A (zh) | 一种基于进化计算的意图识别神经网络生成与优化方法 | |
| CN113095477B (zh) | 基于de-bp神经网络的风电功率预测方法 | |
| CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
| CN108108554B (zh) | 一种多材料车身装配顺序规划优化方法 | |
| CN109669957A (zh) | 一种基于多蚁群遗传算法的分布式数据库查询优化方法 | |
| CN111709519B (zh) | 一种深度学习并行计算架构方法及其超参数自动配置优化 | |
| CN110766072A (zh) | 一种基于结构相似性的计算图进化ai模型自动生成方法 | |
| Wu et al. | Echo state network prediction based on backtracking search optimization algorithm | |
| CN115220477A (zh) | 一种基于量子遗传算法的异构无人机联盟形成方法 | |
| CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
| CN112132433A (zh) | 一种基于新颖性搜索的多目标头脑风暴社区检测方法 | |
| CN117393143B (zh) | 基于图表示学习的环状rna-疾病关联预测方法 | |
| CN116306770B (zh) | 一种基于密母神经架构搜索的软件定义网络性能预测方法 | |
| CN116796611B (zh) | 基于旗鱼算法与人工神经网络调整桥梁扣索索力的方法 | |
| CN114611840A (zh) | 基于rs粗糙集和cpa算法的稻虾水质预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221125 |