انتخاب ديد جهت ذخيره‌سازي ديد در پايگاه داده تحليلي با استفاده از الگوريتم فرهنگي تركيبي

Materialized View Selection using Hybrid Cultural Search Algorithm

پايگاه داده تحليلي حجم زيادي از داده‌ها كه در سيستم‌هاي تصميم‌گيرنده و گزارش‌گير مورد استفاده قرار مي‌گيرد را ذخيره مي‌كند. در اين سيستم‌ها سرعت پاسخ‌گويي به پرس‌وجوها به علت حجم زياد داده‌هاي ذخيره‌شده، پايين است. از آن‌جايي كه اين سيستم‌ها عموماً مورد استفاده مديران ارشد در سازمان‌هاي مختلف هستند، درنتيجه افزايش سرعت در اين سيستم‌ها حائز اهميت است. يكي از روش‌هاي افزايش سرعت، ذخيره ديدها جهت پاسخ‌گويي به پرس‌وجوها است. از طرفي ذخيره كليه ديدها نياز به حجم حافظه زياد دارد و غيرممكن است. راهكار، انتخاب يك مجموعه ديد مناسب از بين همه ديدها است. مسئله جستجو و انتخاب يك زيرمجموعه از يك فضاي بزرگ يك مسئله NP hard است. تاكنون الگوريتم‌هاي زيادي براي يافتن اين مجموعه معرفي شده‌اند كه در اين بين الگوريتم‌هاي تكاملي بسيار مورد استفاده قرار گرفته‌اند. در اين مقاله از الگوريتم فرهنگي تركيبي براي پيدا كردن N ديد كه بهترين نتيجه را داشته باشند استفاده مي‌شود. آزمايش‌ها نشان مي‌دهد كه اين الگوريتم در مقايسه با الگوريتم انتخاب ديد ژنتيك، جستجوي فاخته و الگوريتم تفاضلي داراي هزينه كم‌تر و سرعت بيش‌تري است.

A data warehouse stores a large amount of data، which are usually used in decision support systems. Response time of these systems is too high because of their huge data. Since these systems are generally used by organization’s supervisors، reducing this response time is important. One of the major solutions for this problem is view materialization. Materialization of all views is impossible according to the constraint on memory space and the cost of maintenance these views. So، it is needed to select proper views to be materialized. Selection of these views is a kind of searching in a huge space that is considered as NP hard problem. Several methods are proposed to address this problem until now. Evolutionary algorithms are mostly used in solving MV problems. In this paper، Hybrid Cultural algorithm is used to select N top views among all views. Experiments show that this proposed algorithm has lower cost and higher speed than genetic algorithm، cuckoo search algorithm and Differential algorithm.