关于ORACLE自动统计CBO统计信息[转帖]

Oracle 10G之后,默认创建了一个名为GATHER_STATS_JOB的任务,该任务在工作日晚上10点到次日早上6点以及整个周末运行。任务通过调用DBMS_STATS.GATHER_DATABASE_STATS_JOB_PROC收集数据库统计信息,并检测缺失或过时的统计信息。可以通过查询dba_scheduler_jobs来查看任务状态。

关于ORACLE自动统计CBO统计信息

ORACLE10G以后,在建库后默认就创建了个GATHER_STATS_JOB的定时任务。默认情况下在工作日晚上1000-600和周末全天开启。它调用DBMS_STATS.GATHER_DATABASE_STATS_JOB_PROC的程序收集统计信息。它检测统计信息缺失的对象和陈旧的对象。然后确定优先级,再开始进行统计信息。

[@more@]

关于ORACLE自动统计CBO统计信息

ORACLE10G以后,在建库后默认就创建了个GATHER_STATS_JOB的定时任务。默认情况下在工作日晚上1000-600和周末全天开启。它调用DBMS_STATS.GATHER_DATABASE_STATS_JOB_PROC的程序收集统计信息。它检测统计信息缺失的对象和陈旧的对象。然后确定优先级,再开始进行统计信息。

说明:当做完统计信息后,如果对对象的行数修改达到10%DBMS_STATS就认为是统计信息过旧。

可以查询这个JOB的运行情况:

select * from Dba_Scheduler_Jobs where JOB_NAME ='GATHER_STATS_JOB'

也可以关闭自动统计信息收集功能:

DBMS_SCHERDULER.DISABLE(‘GATHER_STATS_JOB’);

对与易变对象的变化,可以人工收集统计信息(DBMS_STATS) 主要两种处理方式:

.

一种就是删除统计信息。使它的统计信息为空,对于任何统计信息缺失的表,oracle会用动态取样特性自动产生统计信息。如果使用久的统计信息 就可能产生错误的执行计划。需要设置optimizer_dynamic_sampling2ORACLE10G默认值)或以上都可以启动此特性。

optimizer_dynamic_sampling ,提供在SQL分析的时候,自动根据不同的Level0-10)以不同的准确度分析SQL中未被analyze过的表,意在为CBO提供更多的统计信 息。在Oracle9iR2中引入,默认为Level 110g默认为2

http://download-west.oracle.com/docs/cd/B10501_01/server.920/a96536/ch1135.htm#REFRN10140

Level 0: Do not dynamically sample the table(s)

Level 1:Sample tables that have not been analyzed if there is more than one table in the query,the table in question has not been analyzed and it has no indexes,and the optimizer determines that the query plan would be affected based on the size of this objects

Level 2:Sample all unanalyzed tables referenced in the query using default sampling amounts(small sample)

Level 3 -- Level 10 ........更详细的sample而已。

例如:dbms_stats.delete_table_stats(‘table_name’ ,‘VOLATILE_TABLE’)

另一种就是设置为表进行锁定,这样就可以不更新统计信息(注意LOCK表以后,表就不能修改了)。

dbms_stats.lock_table_stats(‘table_name’ ,‘VOLATILE_TABLE’);

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/7490392/viewspace-1008100/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/7490392/viewspace-1008100/

【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较](Matlab代码实现)内容概要:本文围绕基于改进粒子群算法的无人机路径规划展开研究,重点探讨了在复杂环境中利用改进粒子群算法(PSO)实现无人机三维路径规划的方法,并将其与遗传算法(GA)、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估,所有实验均通过Matlab代码实现,提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较,突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群:具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标:①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究;②比较不同智能优化算法(如PSO、GA、蚁群算法、RRT等)在路径规划中的性能差异;③为多目标优化问题提供算法选型和改进思路。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注算法的参数设置、适应度函数设计及路径约束处理方式,同时可参考文中提到的多种算法对比思路,拓展到其他智能优化算法的研究与改进中。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值