无论数据库发展到哪一阶段,数据库性能一直都是用户和数据库厂商关注的重点。针对不同的应用场景,合适的数据库配置优化往往大相径庭。数据库管理员们经常需要根据具体应用对数据库进行配置和设计优化来满足其性能需求。然而,设计一个高效的物理配置是困难的。首先设计一个高效的物理配置本身已经被证明为NP-Hard问题;第二,业务的发展导致数据规模和查询复杂性在不断扩大,调优难度和调优频率增加。现有的数据库的物理配置有三种方法:人工调优、传统自动调优和基于学习的自动调优。基于经验的人工调优通常得到次优的配置方案。传统自动调优方法,通常是将现有的人工经验代码化,设定一个特定的优化目标采用贪心算法并利用计算机得到一个解。所得到的配置方案通常也是次优。神经网络具有很好模拟高维关系的能力,研究者提出了不少基于学习的物理配置方案。然而,现有的方案支持的查询复杂性以及场景往往是受到约束。考虑到学习方法的优势与现有方案的不足,本文开展了基于深度强化学习的物理优化方案的研究,主要包括如下几个方面:首先,以往基于强化学习的方法仅能推荐单表甚至单列索引的情况,没有将索引所满足的约束考虑进模型,并且无法对索引之间的相互影响进行建模。为此,我们研究在静态负载下,考虑创建索引需要满足的相关约束并对多表进行索引推荐。推荐的索引包含多属性索引。进一步讨论如何将该方法扩展到动态负载情况。其次,我们研究了将强化学习运用到动态负载场景下的物化视图推荐。模型能够根据负载的变化动态生成和删除物化视图。为了快速评估一个查询能够利用某个物化视图改写后得到的性能提升,本文提出并实现了基于子查询改写的快速评估算法来快速估计一个物化视图对某一查询的性能影响。最后,我们研究了如何利用强化学习进行分区创建。本文中,我们参考了代理委员会的思想来处理不同负载下的分区创建。不同于已有方法,我们提出了新的代理确定方法和模型训练方式。并针对新的模型下,解决有新查询加入的情况。