基于深度强化学习(DRL)的查询优化最近已成为热门研究主题。尽管取得了令人鼓舞的进展,但DRL优化者仍然面临着强有力地制定有效计划的巨大挑战,这是因为连接订单和操作员选择的巨大搜索空间以及将其作为反馈信号的高度变化的执行延迟。在本文中,我们提出了Loger,这是一个赢得的效果,以使能力和r ubust计划有效,旨在生产有效的加入订单和运营商。Loger首先利用图形变压器来捕获表和谓词之间的关系。然后,搜索空间进行了重组,Loger学会了限制特定的操作员,而不是直接选择每个连接的操作员,同时利用DBMS内置的优化器在修复下选择物理操作员。这种策略利用专家知识来提高计划生成的鲁棒性,同时提供足够的计划搜索灵活性。此外,Loger介绍了𝜖 -beam搜索,该搜索可在进行指导探索时保留多个搜索路径,以保留有希望的计划。最后,Loger引入了损失功能,并通过奖励加权引入损失功能,从而通过减少差的操作员造成的波动,并记录转换以压缩奖励范围,从而进一步提高性能。我们对加入订单基准(JOB),TPC-DS和堆栈溢出进行实验,并证明Loger可以比现有学习的查询优化器更好地实现性能,而与PostgreSQL相比,工作速度为2.07倍。
为所有转业军事人员,无论其家庭状况如何,提供以下一种且只能一种形式的安置援助: - 要么提供临时的、每月递减的私营部门安置援助津贴,该津贴覆盖相当于驻地同等结构和收入平民家庭中位数或平均租金的参考租金的一部分——例如,在外省为30%至40%,在巴黎地区为50%至60%。参考租金应根据各驻地市场租金的变化每年更新。每个受益人可以根据个人选择,作为租户或买家,使用津贴寻找住宿; - 或者分配家庭住房,降低租金,以便为居住者提供与其住在私营部门所获补偿同等的经济利益。石材援助最终将严格限于由于私人租赁供应不足或租金特别高而显得必要的驻军; - 或住宿在军事大院内。