一类串图的优美性

给出了一些图的优美标号,特别给出了串图ωm1,m2,mn,mn＋1当m1,m2,…,mn≡0（mod4）,mn＋1≡3（mod4）的优美标号,以及串图ωm1,m2,,m2n当mi≡2（mod4）（i=1,2,…,2n）,m2k-1＜m2k,（k=1,2,…,n）时的优美标号.     

一类新链图的优美性

定义了有柄mi圈链图和无柄mi圈链图,得到了在m1,m2,…,mn≡0(mod4)时它们都是优美图、无柄mi圈链图是k优美图,并且给出了具体标号;进一步得到了在m1,m2,…,mn≡0(mod4),mn+1≡3(mod4)时这2类链图也是优美图的新结果及其证明.     

关于广义m阶Euler-Bernoulli多项式的几个重要恒等式

利用广义m阶Euler-Bernoulli多项式，给出了有关广义m阶Euler-Bemoulli多项式的几个重要恒等式．即(1)∑a+b=n Ea(mx/(m+1))·Eb(mx／(m+1))／(a！b！)=2En+1^(m)/(mn!)-2(x-m)En^(m)(x)/(mn!);(2)∑a+b+c=n Ea(mx/(m+2)·Eb(mx/(m+2))·Ec(mx/(m+2))（a！b！c！）=2En+2^（m）(x)／(mn!)-2[2x-(m+2)]En+1^（m）(x)／(mn!)+[2(2-m)x^2+2(2m^2-m-2)x+2(m+m^2-m^3)]·En^（m）(x)／(mn!)；(3)∑a+b=n Ea^(m）（x）/（a！b！）=2^n[Bn+k^（m）(x)]^（k）／(n+k)!；其中n，k为非负整数，m为整数．     

k度Steiner最小权网络的线性时间算法

已知平面上n个固定点集合N和m个可动点集合M,求互连点集N∪M的最短连通网络,要求这个连通网络满足：（1）固定点的度为1,可动点的度为k(k≥3）;（2）n=2 （k-2）m。网络中每条边的权与可动点的位置有关,问题是如何确定这m个可动点的位置,使这个连通网络的权最小,这个问题称为k度Steiner最小权网络问题。本给出了k为偶数,边权值为L1距离时计算最小权网络的O(n ln k)时间算法。     

(m1,m2,…,mn)阶等差数阵

利用m阶等差数列探讨出(m1，m2，…，mn)阶等差数阵的通项公式及数阵{f(i1,i2,…，in)}为（(m1，m2，…，mn)阶等差数阵的充要条件。     

基于圈积的新型Cayley图互联网络模型

为了构建适合大规模网络结构的模型,文中提出了一种新型Cayley图互联网络模型WG2mn,当n≥3时,其节点度为m+3,当n=2时,其节点度为m+2.文中还给出了该网络模型的路由算法,得到了其直径上界为「 5n/2」,并对该网络模型的嵌入性进行了分析.将WG2mn与其它网络模型进行分析比较,发现WG2mn模型能够以更小...     

图的优美性

本文定义了一类特殊结构的图ωm1,m2,…,mn,证明了当m1,m2,…,mn≡0(mod4)时,ωm1,m2,…,mn是优美图和交错图.它是一类优美图n-C4m=ω4m,4m,…,4m()n个的推广.     

二项式系数与Fibonacci数4m次幂的关系

若■=n!/(i!(n-i)!)(n,i∈N~*且n≥i)表示二项式系数,第l个Fibonacci数为F_l,其中,l是非负的整数;对任意正整数n和非负整数k,数列{■}_(i=0)~n和{F_(k+i)~p}_(i=0)~n的卷积为f(k,p,n)=■F_k~p+■F_(k+1)~p+…+■F_(k+n)~p.论文利用初等数论方法证明了p=4m(m∈N~*)时,等式f(k,4m,n)=1/25~m[L_(2m)~n·L_(4mk+2mn)+C_(4m)~1(-1)~(k+n+1)L_(2m-1)~nL_((4m-2)k+(2m-1)n)+C_(4m)~2L_(2m-2)~n L_((4m-4)+(2m-2)n)+C_(4m)~3(-1)~(k+n+1)L_(2m-3)~nL_((4m-6)k+(2m-3)n)+…+C_(4m)~(2m)·2~n]成立.     

广义Fibonacci数列偶数项和奇数项倒数的有限和

根据广义数列Fibonacci数列{Gn}的定义和性质,采用初等方法证明了广义Fibonacci数列偶数项和奇数项的有限和■(∑_(k=n)~(mn)1/G_(2k))~(-1)」,■(∑_(k=n)~(mn)1/G_(2k-1))~(-1)」,■(∑_(k=n)~(mn)1/G_(2k)~2)~(-1)」,■(∑_(k=n)~(mn)1/G_(2k-1)~2)~(-1)」,将Fibonacci数列倒数和的结论进行了推广。     

两个极限命题的证明

用归纳法证明了两个极限命题。(1)设m>1,pi(x)(i=1,2,…,m)是[1, ∞)上的连续正函数,在满足一定条件下成立li mx→ ∞∫1xtm-1p1(t)p2(t)…pm(t)dtxmp1(x)p2(x)…pm(x)=α2α3…αm α1α3α…1αα2m… αm… α1α2…αm-1(2)设pjn,an(j=1,2,…,m;n=1,2,…;m>1)均为正数,在满足一定条件下成立li mn→∞∑nk=1akm-1p1kp2k…pmkanmp1np2n…pmn=α2α3…αm α1α3α…1αα2m… αm… α1α2…αm-1     

关于“Bellman问题的一个证明”一文的注记

指出文[8]中主要结论证明中的问题,证明了如下定理:设x1,x2,…,xn为正整数,且x1+x2+…+xn=m,则存在正整数a1,a2,…,an,使(a1+a2+…+an)tr(A1x1A2x2…Axnn)(A1x1A2x2…Anxn)H≤a1trA12m+a2trA22m+…+antrA2nm对所有Hermite矩阵A1,A2,…,An成立,并由此得到Bell man问题的一个证明。     

关于一类非零整系数互反多项式的Chebyshev变换

利用第1类、第2类Chebyshev多项式的性质,研究了形如P(n,n)(z)=z2n+1,Q(n,n)(z)=z2n+z2n-2+…+z2+1的非零整系数互反多项式的Chebyshev变换,给出了多项式P(mn,mn)(z),Q(mn-1,mn-1)(z)的Chebyshev变换公式及一个推论.     

关于多元加权全最小一乘法的最优解

对给定n+1维欧氏空间R~(n+1)中的m个点x_1=(x_(11),x_(12),…,x_(1n+1)), x_2=(x_(21),x_(22),…,x_(2,n+1)),…,x_m=(x_(m1),x_(m2),…,x_(mn+1)),证明了存在最优超平面β_0+β_1x_1+…+β_(n+1)x_(n+1)=0,使这组点到此超平面的加权垂直距离和Q(β)=(∑~(n+1)_(j=1)β~2_j)~(-1/2)∑~m_(i=1)w_i|β_0+∑~(n+1)_(j=1)β_jx_(ij)|=min (w_i>0,i=1,2,…,m);提出并证明了最优超平面β_0+β_1x_1+…+β_(n+1)x_(n+1)=0应满足的3个必要条件,从而给出了求最优超平面的方法.     

广义Bezier曲线的收敛性

本文研究了广义Ｂｅｚｉｅｒ曲线Ｑｎ（ｆ；ｘ）关于ｆ（ｘ）的收敛性，及Ｑ（ｌ）ｎ（ｆ；ｘ）关于ｆ（１）（ｘ）的收敛性，证明了相应的收敛定理     

默森尼质数的判别法及其构造

得到默森尼 (Mersenne)数为质数的判别法和构造 ,当Mp=2 p- 1为合数时其因数的特征及其因数个数的估计。(1)Mp=2 p- 1为质数的充要条件是 Mp2kp + 1≡ 0　 (mod p)(2 )如果Mp=2 p- 1且Qi|Mp　i=1,2 ,……T那么 12     

求解两个与Smarandache函数有关的方程

对任意正整数n,著名的Smarandache函数S(n)定义为最小的正整数m,使得n│m!.对于任意给定的正整数n,伪Smarandache函数Z(n)定义为最小的正整数m,使得n│1+2+…m=m(m+1)/2.对任意正整数n,伪Smarandache无平方因子函数Zw(n)定义为最小的正整数m,满足n│mn,即Zw(n)=min{m∶m∈N,n│mn}.用初等方法研究了方程S(n)+Z(n)=n和Zw(Z(n))-Z(Zw(n))=0并给出了它们的全部解.     

无向超环面网的距离参数(英文)

平均距离μ(G),距离控制数γl(G)和距离独立数αd(G)是度量网络性能的重要参数.n维无向超环面网是超立方体的推广.证明了μ(G)=1/d1d2…dn-1n∑i=1(ei2+ei+ei'2-ei'/2·d1d2…dn/di),γ(G)=2当且仅当[e1'+e2'…+en'/2]≤l≤d(G)-1(d1≥d2≥…dn≥4),以及αd(G)=2当[d1+d2+…+dn-2/3]≤d≤d(G)-1(d1≥d2≥…dn≥3).     

量子计算在增量式大数据并行挖掘中的应用

针对传统大数据并行挖掘方法是一次性对所有数据进行挖掘,导致挖掘时间较长,挖掘精度较低等问 题,采用量子计算对增量式大数据并行挖掘方法进行优化设计。首先,按照数据挖掘的基本流程搭建并行数据 挖掘模型; 然后分别通过定义量子比特、量子搜索算法、量子神经网络处理以及量子映射变换4 个步骤,实现 增量式数据的预处理,利用矩阵向量相乘分解得到过滤权重组合,通过该组合实现预处理结果的并行协同过 滤; 最后通过量子模糊聚类得出增量式大数据并行挖掘结果。实验结果表明,应用量子计算的增量式大数据并 行挖掘方法的平均召回率为97． 25%,并行挖掘时间在2． 1 ～ 3． 2 s 的范围内浮动,准确率超过95%,且该方法 的收敛性最好,寻优能力强。     

关于图C_m∪P_(n-1)~+的优美性

图Ｃｍ ∪Ｐ＋ｎ－ １ 是圈Ｃｍ 与Ｐ＋ｎ－ １ 的不交并。本文证明了当①ｍ ＝ ４ｋ,ｎ ≥ｋ ＋ ２;②ｍ ＝ ４ｋ ＋ １,４ｋ － １ ≤ｎ ≤１０ｋ－ ７;③ｍ ＝ ４ｋ＋ ２,ｎ ≥４ｋ ＋ １;④ｍ ＝ ４ｋ ＋ ３,４ｋ＋ ２≤ｎ ≤１０ｋ－ ２ 时,图Ｃｍ ∪Ｐ＋ｎ－ １ 是优美的。