基于Turán数的广义多图Ramsey数上下界

将多图Ramsey数推广为广义多图Ramsey数.利用完全图的Turán数,给出一些多图Ramsey数的上界和构造性下界,进而确定出它们的准确值.     

集染色顶点和集染色边的Folkman数

对于给定的简单图G和正整数a1,a2,…,ak,G→(a1,a2,…,ak);(G→(a1,a2,…,ak);)是指,对于V(G)(E(G))的任意k-染色,其中每个顶点(边)被用{1,…,k}的一个r-子集来染色,存在i∈{1,…,k}和一个阶为ai的完全子图,其中每个顶点(边)被一个包含颜色i的r-子集染色.本文在整数t＞max{a1,a2,…,ak}的条件下,定义并研究下述集染色顶点(边)Folkman数:F(r)v(a1,a2,…,ak;t)=min{[V(G) |:G→(a1,a 2,…,ak)vr且Kt(笙)G}(类似地,Fe(r)(a1,a2,…,ak;t)=min{| V(G)|:G→(a1,a2,…,ak):且Kt(笙)G}).     

高等院校信息管理与信息系统专业《操作系统》课程的教学改革与实践

根据高等院校信息管理与信息系统专业对学生的培养目标,从教学内容、教学方法和手段等方面进行该专业《操作系统》课程的教学改革与实践,以激发学生对该课程的学习兴趣、提高教学效率和教学效果、培养学生的创新实践能力。     

基于L-M算法的中国高教投资供给规模预测

预测高等教育投资供给规模,对于制定高等教育发展规划,确定高等教育发展规模十分必要.高等教育投资供给是一个非线性系统,而神经网络对非线性系统处理效果较好.为了改善预测性能,将神经网络训练算法进行改进.论文分析研究了L-M算法原理,将其用于高教投资供给规模的预测中,并对整个预测过程进行优化.实验结果表明,基于优化L-M算法的高等教育投资供给规模预测模型收敛速度快,泛化能力更优.     

Kneser图KG(11,5)平方图的色数

Kneser图KG(n,k)的顶点集包括一个n元集的所有k元子集,其中的任意两个顶点相邻当且仅当它们对应的子集不相交.一个图G的平方图G2的顶点集与G的顶点集相同,在G2中两个顶点之间有边当且仅当它们在G中的距离不超过2.通过理论分析和计算机搜索,得到8≤χ(KG2(11,5))≤10,10≤χ(KG2(13,6))≤16,其中前一个结论改进了已知的下界7和上界12.     

集染色顶点和集染色边的Folkman数

对于给定的简单图G和正整数a1,a2,…,ak,G→(a1,a2,…,ak)vr(G→(a1,a2,…,ak)er)是指,对于V(G)(E(G))的任意k-染色,其中每个顶点(边)被用{1,…,k}的一个r-子集来染色,存在i∈{1,…,k}和一个阶为ai的完全子图,其中每个顶点(边)被一个包含颜色i的r-子集染色.本文在整数t>max{a1,a2,…,ak}的条件下,定义并研究下述集染色顶点(边)Folkman数:F(r)v(a1,a2,…,ak;t)=min{|V(G)|:G→(a1,a2,…,ak)vr且KtG}(类似地,F(r)e(a1,a2,…,ak;t)=min{|V(G)|:G→(a1,a2,…,ak)er且KtG}).     

用构造性方法计算多重图Ramsey数的界

在图的边染色问题中,通常考虑的是每条边染且只染一种颜色.边的集染色是这种边染色的一种推广,使每条边对应的不一定是一种颜色,而是给定的颜色集的一个子集.多重图的边染色与边的集染色是等价的.多重图Ramsey数是经典Ramsey数的一种自然的推广,它是通过把完全图的边染色推广到完全多重图的边染色实现的.计算Ramsey数的准确值是NP难题,求多重图Ramsey数的准确值往往更加困难.用一些研究经典Ramsey数的方法来研究2-多重图Ramsey数的界,利用构造性方法证明了一些关于不同参数的2-多重图Ramsey数的不等式,并在此基础上得出了一些小参数多重图Ramsey数的准确值或上下界.