随着互联网的飞速发展，数据库的应用也越来越广泛，推动着数据库性能不断优化。数据库的查询优化是数据库性能优化研究的一个重要分支，其中表连接顺序的优化几乎是所有数据库查询优化器的核心，其目的是尽可能生成执行时间更短的查询计划。由于数据库代价模型、维护的统计数据的不准确，以及连接顺序搜索算法的局限性，现有的数据库管理系统经常会错过执行时间更短的表连接顺序。
　　针对上述问题，提出了一种基于机器学习和蒙特卡洛树搜索的数据库表连接顺序优化方法，该方法包括连接顺序选择器和自适应决策网络。连接顺序选择器用于选择最优的表连接顺序。首先，设计了一种新的数据库查询计划编码方案，解决了现有编码方案无法与连接顺序一一对应的问题。其次，设计了一个预测查询计划执行时间的价值网络，由查询计划及其对应真实执行时间进行训练，将该网络用于蒙特卡洛树搜索中的奖励反馈。然后，通过蒙特卡洛树模拟生成多种不同的连接顺序，由连接顺序价值网络评价该连接顺序的好坏，使用上限置信区间算法来平衡探索和利用。在达到预设的探索次数后，返回一个推荐的连接顺序。最后，为了提升优化系统的整体性能，设计了一个自适应决策网络区分查询语句是否使用该连接顺序选择器。
　　通过PostgreSQL数据库和连接顺序基准进行测试，首先对仅采用连接顺序选择器的PostgreSQL进行实验，获得了比原始PostgreSQL以及最新优化工具更好的整体性能。随后，对采用自适应决策网和连接顺序选择器的PostgreSQL进行评估，总体优化效果得到了进一步提升。