论文部分内容阅读
近年来，信息技术高速发展，海量的文字、图片、音频、视频等数据随之产生，大数据的研究亦随之引起广大学者重视，其中分布式数据库的研究就是热点之一。在分布式数据库中查询是最频繁的操作之一，提升它的效率显得非常有必要。数据量不断增长这个事实，使得对分布式数据库查询的要求也越来越高，因此设计一个高效的分布式查询方案变得刻不容缓。 论文首先介绍了分布式数据库的基本概念和常用的查询优化技术、遗传算法的特点和执行流程，针对FCM(Fuzzy C-means)算法的不足提出了优化方案，利用优化的FCM算法结合遗传算法实现本文的改进遗传算法，在分布式数据库查询使用本文的改进遗传算法进行优化。 本篇论文的主要研究工作可概括为如下: (1)FCM算法是一种基于目标函数的模糊聚类算法，主要用于数据的聚类分析，但FCM算法的效果经常受到初始聚类中心的影响，而且收敛结果易陷入局部最优。针对这些问题本文提出了一种FCM算法的优化方案，设计了选取初始聚类中心规则，采用此规则能够获得聚类结果的全局最优解。模拟实验表明，优化的FCM算法相较传统的FCM算法，准确率更高，迭代次数也更少。 (2)针对传统遗传查询算法的缺陷，本文采用设置多种概率的方法，将通过FCM聚类优化算法处理的当代全部个体分成三类，每一类设置成不同的概率，其中级别较低的个体设置较高的交叉和变异概率，增加产生新个体结构的能力，级别较高的个体设置较低的交叉和变异概率，降低优良基因被破坏的可能性，而对中间级别的个体则设置介于较高和较低之间的变异概率，较好解决了交叉和变异概率设置过大或者过小的情况，有效地防止算法陷入局部最优。实验结果表明，改进后的遗传算法能在较短时间内找到最优的查询执行计划，提高查询效率。