具正负系数的多滞量中立型差分方程的振动性

讨论了具正负系数的多滞量中立型差分方程Δ[x(n)-m∑l=1Rl(n)x(n-rl)] w∑i=1Pi(n)x(n-τi)-k∑j=1Qj(n)x(n-σj)=0的振动性.其中:w≥k;Rl,Pi,Qj∈([n0,∞),R );rl,τi,σj都是非负整数,并且关于l,i,j都是单调减的,τi≥σi.在新的条件下得到了该方程振动的充分条件.     

线性模型下分布函数的估计

利用辅助信息,针对线性模型yi=βxi xi^yεi,εi i.i.d,Fεi=0,给出了总体分布函数的估计量：F（t)=1/N[∑j∈iΔ(t-yi) ∑j∈,1/n∑j∈Δ（t-β^*xi-xi^yuj)],uj=(yj-β^*xj)/xjy^*,j∈s,改进了Chambers-Dunstan的结果。     

一类具变滞的微分方程的稳定性

本文利用Lyapunov泛函及不等式,研究了一类变时滞线性中立型泛函微分方程[x（t）-m∑i=1aix（t-τi）]＇=bx（t）＋n∑j=1＋cjx（t-δj（t））的稳定性,并得到其零解渐进稳定性的充分条件．     

加工时间依赖资源的单机成组加工问题

对问题1｜pi,j=bi,j-ai,jui,j,∑i=1^m∑j=1^nj ui,j≤U,Si,GT｜∑i=1^m∑j=1^nCi,j 给出了一个有关最优解中最优资源分配的性质,并利用该性质对bi,j = b, ai.j = a; bi,j = b,ui,j = u; ai,j = a, ui,j = u 3种特殊情况分别给出了最优解。     

一类变时滞的中立型微分方程的稳定性

利用Lyapunov函数及不等式,研究了一类变时滞线性中立型微分方程[xi(t)-n∑j=1aijxj(t-τj)]’=bixi(t)+n∑j=1cijxj(t-δj(t))+n∑j=1dijxj(t-ξj)的稳定性,并得到该方程的零解渐近稳定的充分条件.     

含时滞的Hopfield网络模型的全局指数稳定性

本文研究了具有变时滞的细胞神经网络系统·xi(t)=-cixi(t) n∑j=1αijfj(xj(t)) n∑j=1bijfj(xj(t-τj)) Ii,i=1,2,…,n.在非线性神经激励函数是Lipschitz条件下,通过引入Lyapunov函数,用不等式等方法,得到了该系统的平衡点是全局指数稳定的条件.     

求解非完全信息对策Nash平衡解的学习算法

基于动物进化论思想,把二人两边非完全信息对策转化为n次重复对策.根据每两次重复对策之间有一定的关系,通过构造关系G=(1/n n∑i=1 aij)/(n∑i=1 n∑j=1 pi(X(n),y(n))qi),提出了一种寻求Nash平衡解的学习算法.     

带有多个延迟量的中立型微分方程的稳定性分析

讨论了带有多个延迟量的中立型微分方程x(t)=Lx(t)+m∑i=1Mi x(t-τi)+n∑j=1Njx'(t-τ'j)的稳定性.其中L,Mi,Nj∈Cd×d为常数复阵,τi＞0,τ'j＞0为常数延迟量,i=1,…,m,j=1,…,n.列举的相关数值例子表明得到的结果更具有一般性.     

时滞细胞神经网络模型的渐近性态分析

对具有时滞的神经网络模型xi(t)=-Cixi(t) ∑j=1^n aijfj(xj(t)) ∑j=1^n bijfj(xj(t-τj)) Ii,i=1,2,…,n,在非线性神经元激励函数满足Lipachitz连续的条件下通过构造适当的泛函，研究了这类模型的渐近性态，获得了这类模型全局吸引和平衡点的全局指数稳定易于验证的充分条件．     

涉及积和式的切比雪夫型不等式的一个新证明

主旨是借助于代数和分析工具给出如下涉及积和式的切比雪夫型不等式 perA/^n П（i=1） ^n ∑（j=1） αi,j ≤perB/^n П（i=1） ^n ∑（j=1） bi,j 的一个新证明，同时也展示了该结果的一个新的应用．