利用神经网络算法推算超额吉布斯自由能

利用神经网络算法推算了超额吉布斯自由能Gm^E，并将推算结果与实验结果进行了比较，推算的平均相对误差均在1．42％以内。     

具有随机性的确定性网络模型

为了进一步研究复杂网络的统计特性,简单介绍了复杂网络的几个统计指标,给出了一种通过边的迭代方式生成一种确定性网络模型的方法.在此模型构造算法的基础上对网络的个别特性进行了推导,并通过计算机编程构造了模拟网络,对比了不同规模模拟网络的部分统计特性.由推导结果和模拟数据可知,迭代生成的网络具有较小的平均路径长度和较大的群聚系数,度分布服从指数分布.因此可判断出生成的确定性网络既具有小世界特性,又具有完全随机网络的特性.     

基于排队的分销系统费用问题

用排队论的方法对商品分销过程的排队系统进行分析,确定了排队模型.给出统计平衡条件下的主要指标.讨论分销系统费用最优化,并进行实例分析.     

现代网络业务流的几个基本定律

为了采用有物理意义的参数,在多个时间尺度下对现代网络业务流进行建模,考察了网络流量长相关(LRD)的基本特征,提出了业务流中满足的几个基本定律,揭示了在流量中描述LRD定量关系的参数cγ(或cf)、流量聚集级m、平均到达率l之间的基本关系,并通过实际测量的数据加以验证.所提出的定律表明:(1)流量确实存在LRD行为;(2)平均到达率(TCP和IP流等)与参数cγ(或cf)存在一定的统计定量关系.     

浅谈MPLS技术

近年来,随着企业对信息需求的不断提高,为增强自身的竞争力,企业逐步完善和发展自己的Intranet.本文介绍多协议标记交换技术.     

应用于IEEE 802.11 DCF中减小冲突的方法

为了提高IEEE 802.11 DCF(distributed coordination function)在网络繁忙时的性能,提出一种减小冲突的方法。该方法是将2个时隙组合起来构成一个超时隙。当一个站点在一个超时隙中发包时,它以q的概率选择第1个时隙发包,以(1-q)的概率选择第2时隙发包。因此,当多个站点同时在一个超时隙中发包时,一部分冲突就被转化为成功的发送或虚拟冲突。仿真结果表明:在存在100个站点的网络中应用该方法可以提高22.6%的吞吐量并将冲突所消耗的能量降低为原来的52.7%。这种方法简单易行,较大幅度提高了DCF的性能。     

一种再制造物流网络设施定位优化方法

针对包含正向和逆向的再制造物流网络,提出一种由3种设施组成的2层物流设施定位优化方法,并给出0-1整数规划模型.基于遗传算法的全局搜索能力,全面考虑了正向流和逆向流及其它们之间的相互约束处理,避免了传统拉格朗日启发式算法中求上下限的繁琐计算过程.仿真实验表明提出方法的有效性.     

筒子图Pn×Cm的粘连度

讨论了筒子图Pn×Cm的性质和粘连度．     

论高校教学资源库建设

随着教育信息化的深入发展,教学资源库已经成为新一代校园信息环境的心脏.以下从教学资源库建设的含义、技术规范、系统管理、资源来源及存在问题和对策几个方面来探讨高校校园网教学资源库建设.     

Cluster Synchronization in a Complex Dynamical Network with Two Nonidentical Clusters

This paper further investigates cluster synchronization in a complex dynamical network with two-cluster. Each cluster contains a number of identical dynamical systems, however, the subsystems composing the two clusters can be different, i.e., the individual dynamical system in one cluster can differ from that in the other cluster. Complete synchronization within each cluster is possible only if each node from one cluster receives the same input from nodes in other cluster. In this case, the stability condition of one-cluster synchronization is known to contain two terms： the first accounts for the contribution of the inner-cluster coupling structure while the second is simply an extra linear term, which can be deduced by the ＂same-input＂ condition. Applying the connection graph stability method, the authors obtain an upper bound of input strength for one cluster if the first account is known, by which the synchronizability of cluster can be scaled. For different clusters, there are different upper bound of input strength by virtue of different dynamics and the corresponding cluster structure. Moreover, two illustrative examples are presented and the numerical simulations coincide with the theoretical analysis.