折叠超立方体的谱

通过分析折叠超立方体的结构,得到了折叠超立方体的谱及其Laplace矩阵的谱.     

关于折叠超立方体的反馈数

研究了一类重要的互连网络拓扑结构折叠超立方体网络Qfn的反馈数．设F为Qfn的反馈集,通过构造剩余子图G[V（Qfn）-F]的极大无圈子图得到极小反馈集,从而得到反馈数的上界,用此方法研究折叠超立方体网络Qfn的反馈数问题．根据n维折叠超立方体网络的性质,提出一种新的方法构造无圈子图,改进了已有的”维折叠超立方体网络的反馈数的上界．结果表明,当n为奇数时构造的Qfn＋z的无圈导出子图的整体连通性能与已有结论中构造的Q中无圈导出子图R∪Qfon是一致的．     

超立方体分割下的区间数多属性决策及应用

针对属性值以区间数形式给出、属性权重以实数形式给出的多属性决策问题,以超立方体分割为基础,结合层次分析法相关理论,给出了一种计算机编程求解方法.我们给出的方法能够避开区间数的运算,且求解过程无误差积累;最后,给出了一个例子验证了新方法的有效性.     

折叠超立方体的广义3-连通度

设图G是一个连通图,S⊆V(G)。图G的一棵S-斯坦纳树是一棵包含S中所有顶点的树T=(V ',E '),使得S⊆V '。如果连接S的两棵斯坦纳树T和T ',满足E(T)∩E(T ')=且V(T)∩V(T ')=S,则称T和T '是内部不交的。定义κ(S)为图G中内部不相交S-斯坦纳树的最大数目。广义k-连通度(2≤k≤n)定义为κ_k(G)=min{κ(S)|S⊆V(G)且|S|=k},显然,κ₂(G)=κ(G)。证明了κ₃(FQ_n)=n,其中FQ_n是n-维折叠超立方体。     

交换超立方体的哈密顿Laceability和强哈密顿Laceability

交换超立方体EH（s，t）是超立方体的一个变型．证明了：当s，t≥2时，EH（s，t）是哈密顿Laceable，并且也是强哈密顿Laceable．     

基于响应面法和麻雀搜索算法的结构有限元模型修正

为了获取准确可靠的结构有限元模型,提供结构运营期间健康监测和状态再分析的基准参照,提出了一种基于响应面法(response surface method,RSM)和麻雀搜索算法(sparrow search algorithm,SSA)的结构有限元模型修正方法.首先,基于响应面法,采用拉丁超立方设计方法进行试验设计获取样本点,以简单低阶数学模型代替特征量与参数间复杂的映射关系,构造结构宏观响应与各参数的解析表达式,基于逐步回归分析进行基函数显著性检验,运用方差理论检验模型精度获取最优响应面模型,并联合结构动力响应残差和构造目标函数;其次,基于麻雀搜索算法,对目标函数进行优化求解得到各参数最优解,代入初始有限元模型中,实现对初始有限元模型的修正;最后,基于RSM-SSA有限元模型修正方法对高维局部损伤悬臂梁数值模型实施修正,验证所提方法的可靠性和可行性,并与基于其他新兴群智能优化算法的有限元模型修正结果进行对比.结果 表明:采用该方法修正的参数和频率误差均值分别为6.549％、0.279％,修正效率和精度较其他算法有显著提升,修正后的有限元模型具有较高的精度,可真实反映结构实际力学行为.该方法为结构有限元模型修正提供一种新思路.     

一种基于拉丁超立方采样的概率最优潮流算法

在概率最优潮流的求解技术中,随机采样的蒙特卡罗法因其在大规模采样的情况下求解精确度高,而被广泛应用。本文采用拉丁超立方采样和蒙特卡罗法相结合的技术处理含多随机变量因素的概率最优潮流问题,并将其运用于分析随机变量的波动对系统发电成本影响的计算中。通过IEEE-14和IEEE-118节点测试算例的分析表明,采用拉丁超立方采样能改善采样值的分布空间,在采样规模较低的情况下能够给出精确的统计结果,较随机采样的蒙特卡罗法具有应用优势,可以替代随机采样的蒙特卡罗法,作为评价其他算法优劣的标准。     

太比特级路由器的体系结构

主干网络上的信息流量急剧增长,ISP不可能经常更新核心路由器以满足其需要,为保护现有投资,对核心路由器交换结构的可扩展性提出更高的要求．由于传统路由器的交叉开关体系结构的可扩展性差,在更高速度的太比特(Terabit,即10^12bit)级路由器中必须采用新的体系结构,即可扩展的分布式交换体系结构．全面综述了近年来国内外在太比特级路由器方面研究的最新成果,介绍了太比特级路由器的新功能,以三维环形结构、三维圆环面(torus)结构、多维超立方体(hypercube)结构为例,对新一代太比特级路由器的分布式体系结构进行了分析和研究．展望了太比特级路由器技术的发展趋势。     

关于Qn的可观测性

文献[3]中给出了当2≤n≤5时，n维立方图Qn的可观测性obs(Qn)的值．本文给出当6≤n≤11时，Qn的obs(Qn)的值，并提出一个关于obs(Qn)值的猜想。     

一种新的确定K-均值算法初始聚类中心的方法

针对传统的K-均值算法聚类时初始聚类中心难以确定的缺点，利用超立方体技术，并依据同类样本中多数样本具有类似的子向量的特点，将落入同一超立方体的样本认为是一类。然后以这些样本的均值作为初始聚类的中心，实现了聚类中心的确定。通过仿真实验和应用于沙尘暴和非沙尘暴样本的分类，验证了此方法的有效性。