讨论SQL语句联合查询的效率问题

cdisk 2012-03-24 10:28:51
A

select * from b where id in (select id from a where leibie=1)
select * from b , a where b.id=a.id and a.leibie=1

----------------------------------------------------------
B

select (select mc from b where b.id=a.id) from a
select b.mc from a, b where a.id=b.id




上诉A,B中的两种方案,哪种更效率呢 ? 为什么呢?~ 个中有缺点又是什么呢?~
...全文
345 4 打赏 收藏 转发到动态 举报
写回复
用AI写文章
4 条回复
切换为时间正序
请发表友善的回复…
发表回复
cdisk 2012-05-01
  • 打赏
  • 举报
回复
这........... 可以更详细吗
ssqtjffcu 2012-05-01
  • 打赏
  • 举报
回复
[Quote=引用楼主 的回复:]
A

SQL code

select * from b where id in (select id from a where leibie=1)
select * from b , a where b.id=a.id and a.leibie=1


----------------------------------------------------------
B

……
[/Quote]
A,B方案中的两个语句根本就不是等价的,没有什么好比较,两条语句出来的结果有可能不一样
mailking 2012-03-24
  • 打赏
  • 举报
回复
A方案还是要看情况的
in查询不一定会比两表连接要慢,这取决与子查询返回的记录数,如果子查询返回的记录数量非常少的情况下,b 表非常大的情况下in查询也是非常快的
B方案
select (select mc from b where b.id=a.id) from a 是相关子查询,它会对a表做全表扫描,并且会一条一条的扫描,如果与b表有id相等的时候才会返回记录。如果a表很小只有不到10条记录而b表非常大,执行的效率也会非常快,反之a表非常大效率就慢了

对于两表关联查询这个主要是要靠索引来提高查询效率,如果两表都非常大,索引没建好的话执行效率也不敢恭维,很有可能走全表扫描或者全索引快速扫描
终端用户 2012-03-24
  • 打赏
  • 举报
回复
A方案中,一个是子查询,一个是连接查询
这个,按照正常的认识来说应该是连接查询快,尤其是数据量大的时候,数据量很小的时候应该体现不出来
原因:子查询,需要不停的遍历表,而连接查询一般只遍历一次。

B方案,我从来没用过,这个无法比较
内容概要:本文围绕不确定环境下的多式联运路径优化问题展开研究,提出并实现了基于AFO算法、遗传算法(GA)和粒子群优化算法(PSO)的三种智能优化方法,并借助Matlab平台完成算法编程与仿真。研究构建了考虑时间、成本、转运风险等多重不确定因素的路径优化模型,系统比较了AFO、GA、PSO三种算法在收敛速度、全局寻优能力和稳定性方面的表现,同时引入Matlab自带的全局优化搜索器作为基准对照,深入分析各算法在复杂物流网络中的适用边界与性能差异。研究表明,AFO算法在解决此类组合优化问题时展现出更快的收敛效率和更强的局部规避能力。; 适合人群:具备一定Matlab编程基础与运筹优化知识,从事物流工程、交通运输规划、智能算法开发等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于多式联运、综合货运网络中的路径决策支持系统构建;②为不确定性条件下复杂路径规划问题提供智能算法选型依据与技术实现方案;③支持科研人员复现主流优化算法并开展横向性能对比实验,推动算法改进与实际落地。; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现流程,重点理解目标函数设计、约束条件处理及参数敏感性分析部分,可通过调整问题规模与算法参数进行对比实验,进一步拓展至动态路径规划或大规模网络优化等延伸场景。
内容概要:本文研究了基于QLearning自适应强化学习的PID控制器在自主水下航行器(AUV)运动控制中的应用,通过Matlab代码实现了控制算法的仿真验证。该方法融合强化学习的在线自适应能力与传统PID控制的稳定性优势,利用QLearning算法动态优化PID控制器的比例、积分、微分参数,以应对水下复杂流体环境、模型不确定性及外部干扰等挑战,从而提升AUV轨迹跟踪的精度、鲁棒性与动态响应性能。文中系统阐述了AUV的六自由度非线性动力学建模过程、QLearning算法的状态空间与动作空间设计、奖励函数构造及训练机制,并详细说明了PID参数自整定的闭环控制架构。仿真结果表明,相较于传统固定参数PID控制器,该智能控制策略在多种工况下均展现出更优的控制效果,有效抑制了超调,加快了响应速度,并增强了抗干扰能力。; 适合人群:具备自动控制理论、强化学习基础及Matlab/Simulink仿真能力,从事水下机器人、智能控制、海洋工程、自动化等领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于AUV、UUV等无人水下平台的高精度自主导航与运动控制;②为解决非线性、强耦合、时变系统的控制器参数自适应整定问题提供智能化解决方案;③作为强化学习与经典控制理论深度融合的技术范例,推动智能控制算法在海洋装备中的工程化应用。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点剖析QLearning的状态-动作-奖励机制设计、PID参数更新逻辑及仿真对比实验结果,有条件者可在更复杂的动力学模型或实际硬件平台上进一步验证与优化算法性能。

17,134

社区成员

发帖
与我相关
我的任务
社区描述
Oracle开发相关技术讨论
社区管理员
  • 开发
  • Lucifer三思而后行
  • 卖水果的net
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧