r(Km,n)的一个构造型下界

图G的Ramsey数r(G)是指最小的自然数N,满足当n≥N,对完全图Kn的边进行红蓝二着色时总包含单色的图G.对于完全二部图Km,n,给出了当n充分大时,r(Km,n)≥2m(n-n0.525)的一个代数构造的证明.     

受限SIMD PRAM模型上的高效并行图算法

在限定处理机个数的 CREW PRAM并行计算模型上,给出了图论中一些基本问题的并行算法.所给并行算法的费用c(n)=p(n)*t(n)是目前已知的最好结果,其中p(n),t(n)分别是对一具有n个顶点图实施并行算法所用处理机的个数和最坏情况下的时间复杂性。     

具有给定分支数森林的最小能量图

将图G的能量E(G)定义为图G的特征多项式所有特征根的绝对值之和.F_n,q是顶点个数为n,分支个数为q的森林的集合. 对于给定的n和q,给出F_n,q中具有最小能量的图.     

哈密顿图和欧拉图的一种判别方法

分析由延长而形成哈密顿回路、欧拉回路的特点,得出求图G(n,m)的最大回路算法:给定始结点xi和始边ei(xj).采用最长路回延长法,对点xi和边ei(xj)分别求最长路回HE序列,在对点xi求最长路回HE序列中,当出现长度为n的点回路的最长项,边ei(xj)出现长度为m的边回路的最长项,或延长后所得路径中没有元素,便结束延长;如对点xi有长度为n的最大点回路最长项,则G(n,m)为哈密顿图;如对边ei(xj)有长度为m的最大边回路最长项,则G(n,m)为欧拉图.     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

一个解决网络故障相关性的算法

解决故障相关性是实现故障管理自动化的关键。介绍了网络管理及故障管理的基本概念 ;引入离散数学中的有关理论 ,提出了故障相关图、故障连接图、极大相关类等概念 ,用于研究和描述故障相关性的本质 ;给出了一个解决故障相关性的算法 ,并且证明该算法的时间复杂度为 0 ( n3 ) ;最后 ,以一个例子进一步说明算法的工作原理。     

树的最大与次小Laplacian特征值和的上界

随着计算机技术和网络技术的不断发展,图的谱被广泛应用于网络拓扑结构的特征分析,Laplacian矩阵的谱(特别是最大特征值和次小特征值)在网络结构中扮演重要角色.设G=(V,E)是一个具有n个顶点的简单图,A(G)为G的邻接矩阵,D(G)为G的度对角矩阵.定义G的Laplacian矩阵为L(G)=D(G)-A(G),设L(G)的特征值为μ1(G)≥μ2(G)≥…≥μn-1(G)≥μn(G)=0,最大特征值μ1(G)称为图G的Laplacian谱半径;次小特征值μn-1也称作图G的代数连通度.本文讨论了树的L(G)的最大与次小特征值和μ1(G)+μn-1(G)的上界,得到几个有意义的结论.     

线图的限制性邻域连通度

在间谍工作中,限制性边邻域连通度和限制性邻域连通度比一般连通度和边连通度更加稳定可靠。文中提出了两个新概念:限制性邻域连通度和限制性边邻域连通度。证明了如果图G的线图L(G)是κ’NC图,那么κRNC(L(G))=λRNC(G)当且仅当G不是super-λRNC。并且证明了如果G是λpN C+1,q+1(G)连通图,那么L(G)是κpN,Cq连通的,并且κpN,Cq(L(G))=λpN C+1,q+1(G)。     

图的最小顶点覆盖问题的质粒DNA计算模型

给出了图的最小顶点覆盖问题的质粒DNA算模型及其实现算法．算法的时间复杂性是O(q),编码最小覆盖问题所需的核苷酸片段种类为n,其中n,q分别是图的规模和边数．在算法中,所用酶的种类也等于图的规模．而且,算法不需要复杂的单链DNA自身退火反应和PCR扩增．     

五角链的点PI指标

图G的点PI指标指的是：取遍G中的每一条边,满足到这条边两个端点距离不相等的点的个数.为了得到五角链的点PI指标,把它的边分成三类并分别进行计算,可以得到五角链的点PI指标.利用PIv（G）=mn-∑S（e）,给出二部图点PI指标的界：（n-1）n≤PIv（G）≤n.     

划分产品生命周期期段的双对数算法

本文定义了关于产品生命周期的期段、期段曲线和期段组合曲线,并以Gompertz曲线为模式,提出了一种划分期段与预测的算法——双对数算法。文中给出了计算程序,计算结果表明了本算法的正确性和有效性。     

完全三部图K(n- k,n,n)的色性

设Ｐ（Ｇ,λ）表示简单图Ｇ的色多项式;若对任意简单图Ｈ 满足Ｐ（Ｈ,λ） ＝ Ｐ（Ｇ,λ）,都有Ｈ 与Ｇ同构,则称Ｇ是色唯一图;设Ｋ（ｍ ,ｎ,ｒ） 表示完全三部图;本文证明了：（１） 若ｎ ＞ ｋ ＋ ｋ２／３,则图Ｋ（ｎ － ｋ,ｎ,ｎ） 是色唯一的,（２） 若ｎ ≥８,则Ｋ（ｎ － ４,ｎ,ｎ） 是色唯一的;     

二维可定向流形的几个定理(英文)

给出了二维可定向流形的几个定理。 (K6-E(K3) )不能三胞腔嵌入二维可定向流形 ;若围长为g的 (p ,q) -连通图能G 2 Sk,则g >3 ,q 3(p +2k - 2 ) ,q 2 (p+2h - 2 ) ;n点k -正则图G能三胞腔嵌入Sh,则h=1+n(k - 6 ) / 12。     

图的结构完全正 (I)

称n阶简单图G为结构完全正的 ,若G的所有结构双非负矩阵实现完全正的。证明了完全图Kn及其一类特殊子图Krn( 0 ≤r≤n)为结构完全正的 ,从而证明了所有树的线图均为结构完全正的。     

关于图染色的算法

本文给出了图上顶点染色,边染色的算法.其中边染色算法是一个非多项式时间的精确算法,该算法是先求出所有极大匹配,然后再求极小匹配覆盖,最后得出最优边染色.顶点染色算法是一个多项式时间的近似算法,该算法的时间复杂性为O(n~3logn),空间复杂性为O(n~3)的近似算法,它是由贪吃策略得到的.对于任意的图,该算法所用的期望颜色数为「log(n 1)」.     

树的费用全染色的近似算法

给定无向简单图G=(V,E)与颜色集C，并且对C中的每一种颜色c设定一个费用值w(c)∈R⁺.全染色是给出图的一个可行染色使得相关联的边和点、相邻的点或边都染不同的颜色.定义了费用全染色问题，即求解最优的全染色f，使得染色费用和最小，对于树图T，给出了一个2-近似算法，该算法的运行时间为O(nΔ²).     

K-vertex-connectivity minimum augmentation for undirected unweighted graphs

For an undirected unweighted graph G0＝(V0,E0) and a positive integer K, the K-vertex-connectivity minimum augmentation problem (K-VCMAP) is to find a minimum set of edges Emin such that the graph H0＝(V0,E0∪Emin) is K-vertex-connected. Results in the literature have given polynomial time algorithms for K-VCMAP in several special cases such as where k≤3, or G0 is a tree. However, it still remains open whether or not there exist polynomial time algorithms for K-VCMAP for any graph G0 and any integer K. In this paper, we settle the problem by describing an efficient algorithm (KUCA) with time-complexity of O(K|V(G0)|5) for the K-VCMAP for any G0 and any positive integer K.     

用蒙特卡罗和Petri网方法估计随机流网络的可靠性

提出一种估计随机流网络可靠性的基于蒙特卡罗抽样和Petri网建模仿真的MCPN方法.该算法以蒙特卡罗方法为基本框架,通过蒙特卡罗抽样来模拟网络系统的随机性.对于随机抽取的网络状态,通过Petri网仿真计算相应加权图的最大流量,判断其是否为有效状态.仿真结果表明,Petri网方法是一种有效的计算加权图最大流量的方法.     

S(7，n)的k-边优美的图标号Z

设图G＝(V,E),其中|V|＝p,|E|＝q.对于k∈N,如果存在一个双射f：E→{k,k＋1,…,k＋q－1},使得它的导出映射f＋：V→Zp,uMT ExtraaAp(u,v) mod p也是一个双射,则称图G是k-边优美的.对于所有的满足G为k-边优美图的非负整数k构成的集合称为图G的边优美指标集.本文根据轮图的特殊性质,讨论了S(7,n)为k-边优美图的必要条件.根据所得的必要条件,利用递归的方法构造S(7,n)的k-边优美图标号并给出详细证明,从而完全解决了当n为偶数时S(7,n)的边优美指标集问题.     

多状态图神经网络文本分类算法

为了提高模型在文本分类任务中的分类性能,针对图神经网络中存在的过度平滑问题,同时增强模型在处理文本特征与文本表示方面的能力,提出了一种基于多状态图神经网络的文本分类算法(multi-state graph neural network, MSGNN)。多状态图神经网络是利用网络层的多个历史状态信息对图神经网络进行强化,构建合理的文本图结构数据作为模型输入。在缓解网络层过度平滑问题的同时,结合2种改进后的不同类型的图神经网络来增强模型的特征提取与特征聚合能力。利用多头自注意力机制对文本关键词的挖掘与利用能力,从多个文本子空间来生成高质量的文本表示,进而完成文本分类。通过在几个公开的文本分类数据集上进行实验分析,相较于其他神经网络的文本分类算法,该方法取得了较好的分类准确率。