特征选择是模式识别和数据挖掘等研究领域的一个热点。提出了一种新的特征选择方法FeBES(FeatureSelection Based on(μ+λ)-ESEvolutionary Strategy),它以遗传算法为基础,以定义的最优特征集的评价准则为适应度函数,采用(μ+λ)-ES进...
详细信息
特征选择是模式识别和数据挖掘等研究领域的一个热点。提出了一种新的特征选择方法FeBES(FeatureSelection Based on(μ+λ)-ESEvolutionary Strategy),它以遗传算法为基础,以定义的最优特征集的评价准则为适应度函数,采用(μ+λ)-ES进化策略挑选出一组较高质量的特征子集。仿真实验结果表明了该方法的有效性。
为决定数据库在复杂负载下运行时,数据缓冲区自适应优化所要求的大小与方向,提出了基于模拟仿真的自适应优化算法,通过建立模拟数据缓冲区(simulated buffer pool,SBP)来决定调整的方向。应用缓冲错失公式(buffer miss equation,BME)结...
详细信息
为决定数据库在复杂负载下运行时,数据缓冲区自适应优化所要求的大小与方向,提出了基于模拟仿真的自适应优化算法,通过建立模拟数据缓冲区(simulated buffer pool,SBP)来决定调整的方向。应用缓冲错失公式(buffer miss equation,BME)结合基于模拟仿真自适应优化算法监测数据库运行状态时所获得的一系列关键数据,来确定优化调整的具体方案。实验结果表明,该算法提升了数据库整体性能,并在长时间内保持性能高效稳定。
暂无评论