软件学报

作者：何家豪，王嘉辰，王晓，张喜盈，李翠平，陈红

单位：何家豪，数据工程与知识工程教育部重点实验室(中国人民大学), 北京 100872;中国人民大学 信息学院, 北京 10087211,王嘉辰，数据工程与知识工程教育部重点实验室(中国人民大学), 北京 100872;中国人民大学 信息学院, 北京 10087202,王晓，数据工程与知识工程教育部重点实验室(中国人民大学), 北京 100872;中国人民大学 信息学院, 北京 10087203,张喜盈，数据库与商务智能教育部工程研究中心(中国人民大学), 北京 100872;中国人民大学 信息学院, 北京 10087204,李翠平，数据工程与知识工程教育部重点实验室(中国人民大学), 北京 100872;中国人民大学 信息学院, 北京 10087205,陈红，数据工程与知识工程教育部重点实验室(中国人民大学), 北京 100872;数据库与商务智能教育部工程研究中心(中国人民大学), 北京 10087206

关键词：查询优化;人工智能;强化学习;数据库系统;数据管理

基金：国家重点研发计划(2023YFB4503600); 国家自然科学基金(U23A20299, U24B20144, 62172424, 62276270, 62322214)

查询优化是数据库系统中至关重要的环节, 查询优化器通过找出一条查询语句对应的最佳查询计划来减少查询执行的代价. 传统优化器依赖固定规则或简单启发式算法加工并筛选候选计划. 然而随着实际应用中关系模式和查询逐渐复杂, 传统的查询优化器已经难以满足应用需求. 智能查询优化算法将机器学习技术应用到查询优化领域, 通过学习查询计划与复杂关系模式的特征来协助传统优化器完成查询优化. 此类算法在代价模型、连接优化、计划生成和查询改写等方面都提出了创新有效的解决方案. 梳理上述4类智能查询优化算法近年来的研究成果和发展脉络, 并对智能查询优化未来的研究方向进行展望, 希望研究者可以全面了解智能查询优化算法的研究现状, 以助于其后续科研工作的开展.

来源：2026年第1期

《软件学报》期刊编辑部

查看软件学报杂志2026年第1期