16、Transact - SQL 查询优化与实践指南

Transact - SQL 查询优化与实践指南

1. 查询性能优化基础

在进行数据库查询时,选择额外列会对性能产生影响,主要涉及两个因素:网络利用率和索引使用。
- 网络利用率 :每次查询返回额外数据会使网络传输负担加重,传输的数据量越小,传输速度就越快。因此,应仅返回必要的列,避免不必要的带宽消耗。
- 索引使用 :SQL Server 常可使用非聚集索引来满足仅使用表中部分列的查询,即索引覆盖。若查询中添加额外列,可能导致索引无法覆盖查询,从而降低性能。

最佳实践 :尽可能避免使用 SELECT * 查询,而应始终指定列列表,确保不会返回超出预期的列。

2. 子查询的使用

子查询是嵌套在其他查询中的查询,与所在的外部查询存在某种关联。外部查询是子查询参与的查询。使用 Transact - SQL 时,实现相同查询结果往往有多种方式,且每种方式的性能各异。例如,在很多情况下,可以使用子查询替代连接来优化复杂查询。

子查询有多种使用方式,可用于 SELECT 语句的任何子句中。常见的子查询类型有非关联子查询和关联子查询:
- 非关联子查询 :子查询不使用外部查询表中的任何列。示例代码如下:

SELECT * 
FROM HumanResources.Employee AS E 
WHERE E.EmployeeId IN 
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
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