Bases de données

7. STRATÉGIES DE RECHERCHE
DU MEILLEUR PLAN
La recherche du meilleur plan d’exécution dans une base de données objet ou objetrelationnel
est encore plus complexe que dans une base relationnelle. En effet,
l’espace des plans est plus large du fait de la présence de références, d’index de chemins,
de collections imbriquées, etc. Au-delà de la programmation dynamique classique
limitée à des espaces de recherche de faible taille [Swami88, Swami89,
Vance96] vue dans le cadre relationnel, des méthodes d’optimisation pour la
recherche de plans optimaux basée sur des algorithmes aléatoires ont été proposées.
Après les avoir présentés, nous proposons une méthode plus avancée basée sur des
algorithmes génétiques.
7.1. LES ALGORITHMES COMBINATOIRES
Les algorithmes combinatoires accomplissent une marche au hasard dans l’espace de
recherche sous la forme d’une suite de déplacement. Un déplacement dans cet espace
est généré par application d’une règle de transformation sur le plan d’exécution. Un
déplacement est appelé descendant s’il diminue le coût du plan, montant s’il l’augmente.
Un état (donc un plan) est un minimum local si tout déplacement unitaire augmente
son coût. Le minimum global est celui parmi les minimums locaux qui a le plus
faible coût. Cette classe d’algorithmes inclut l’amélioration itérative (Iterative
Improvement [Nahar86]), le recuit simulé (Simulated Annealing [Ioannidis87]),
l’optimisation deux phases (Two Phase Optimization [Ioannidis90]) et la recherche
taboue (Tabu Search [Glover89, Glover90]). Nous présentons en détail ces méthodes
ci-dessous.
7.2. L’AMÉLIORATION ITÉRATIVE (II)
L’optimisation de requêtes objet • 497
L’amélioration itérative commence par un plan d’exécution initial choisi plus ou
moins aléatoirement, par exemple celui résultant de la compilation directe de la
requête utilisateur. Ensuite, seuls les déplacements descendants sont acceptés. C’est
l’optimisation locale. Quand le minimum local est atteint, l’algorithme génère au
hasard un nouveau plan, et recommence l’optimisation locale à partir de ce nouveau
plan. Le processus est répété jusqu’à atteindre une condition d’arrêt, par exemple
l’épuisement du temps d’optimisation. Le minimum global est le meilleur minimum
local trouvé lors de l’arrêt. L’algorithme est donné en pseudo-code figure XIV.18.