随着数据库的广泛应用和发展，人们不再仅仅满足于一般的数据存储和业务处理，而对系统提出了更高的要求：提供决策支持。目前，数据库已经广泛投入到了各行各业的应用当中，作为数据库的进一步发展研究成果--数据仓库，它与数据库的主要区别在于数据库是面向事务的，而数据仓库是面向主题的。数据仓库是实现商业智能的数据基础，是企业长期事务数据的准确汇总。自从数据仓库概念出现以来，不同学者从不同的角度给出了多种数据仓库的定义。目前，业界公认W.H.Inmon在《建立数据仓库》一书中对数据仓库的定义最具权威性。W.H.Inmon将数据仓库定义为：“数据仓库是面向主题的、集成的、时变的、非易失的数据集合，用于管理决策制定过程。”　　 数据立方体也称为多维数据集，是联机分析处理OLAP(On-Line Analysis Processing)[1]系统的核心，为用户数据构建了多维视图，允许用户从多个观察视角来观察和分析感兴趣的数据。1993年，关系数据库之父Codd定义联机分析处理OLAP[2]：“OLAP是一个用于描述动态的企业分析的名词，这些分析通过有注释的、经过熟思的以及公式化的数据分析模型来生成、操作、激活和合成信息。OLAP组织在文献[3]中给出了如下定义：OLAP是使分析人员、管理人员或执行人员能够从多角度对企业数据(这些数据是从原始数据中转换得来的，反映了用户所关心的企业的多维性)进行快速、一致、交互地存取，从而获得对数据更加深入了解的一类软件技术。在OLAP环境下，维(Dimension)和度量(Measure)是数据立方体中最基本的概念，数据立方体是由维构建出来的多维空间，包含了由度量表征的数据。　　 数据仓库中使用较多的技术是将频繁使用的查询结果进行物化(materialize)，该技术也称为预计算技术(pre-compute)[4]。同时也物化一些与查询相关的数据表来提高查询效率。物化又称为聚集，聚集是OLAP计算涉及的最重要的一个方面。为了得到较快的系统查询响应时间，数据立方体物化的计算性能成为应用中的瓶颈，物化计算的性能直接决定了立方体的查询响应时间。目前，立方体采用的物化技术一般为物化视图(MaterializedView，MV)。物化视图是提前计算并保存常用的查询信息，这些查询信息按照属性分组进行计算，最后查询时直接在这些结果中进行查询。通常情况下，系统在OLAP数据库中，预先实现不同层次和不同维属性集合上的物化。当系统把所有可能的物化都实现时，就成了全物化，该情况下查询性能达到最佳。然而，这种方法需要海量的存储空间和巨大的更新维护代价。因此在存储空间较低或者要降低维护代价时，采取部分物化，仅物化其度量值大于某个最小阈值的方体单元。部分物化是实际系统开发中经常采用的方法。　　 本文研究了在数据仓库的环境下实现数据立方体的计算方法，分析了物化的计算效率如何影响数据仓库的查询效率，也就是数据仓库的查询等操作的响应时间，重点讨论了数据立方体的部分物化和全物化。　　 文中首先介绍了数据仓库的概念和基本特征，阐述了其发展历程以及结构特点。给出了联机分析处理(OLAP)的理论基础，重点论述了数据立方体的概念、多维模型和实现方案。然后，重点介绍了数据的计算技术及其物化，在此基础上详细介绍了冰山立方体的计算方法和多路聚集计算方法实现。最后，针对现有数据立方体物化现状，提出并实现了采用改进的贪心算法选择部分物化视图和改进的多路数组方法的方体的全物化的算法。　　 (1)实现了采用贪心算法选择部分物化视图。实验对象为选择物化某高校教学教务管理系统中的学生成绩数据。如果不用物化视图，那么所有的聚合、求平均等操作都要由原始的学生成绩表中查询获得，查询代价较高。采用物化视图所带来的好处，减少查询代价。物化视图所提供的总空间不同，所减少的查询代价也不同。空间大小与减少的查询代价是成正比的，即所提供给物化视图的空间越大，所减少的查询代价也越大。针对空间有限的问题，采用贪心算法选择部分物化的对象。(2)论文用多路数组算法对数据立方体进行全物化：首先将所有的扫描次序需要的内存数量都计算出来，然后将需要内存最少的扫描次序作为最优次序，对数据立方体进行聚集计算。这种计算方法的计算量十分庞大，基本上以枚举的方式寻找最优的扫描次序。该算法的时间空间复杂度都较高，在实际操作中可以采取以下方法：　　 立方体anbncn中，存在维ABC，当A