开始比赛

破晓时分,我在奥林匹亚的山头上苏醒。昨晚和一帮“酒鬼”考古学家喝了个痛快,醒来后仍然有些醉意朦胧。揉揉眼睛向外一看,感觉今天一定又是一个完美夏日。透过旅馆房间的窗户,我看见阿卡迪亚山顶之上天高云淡,一座座山峰像汹涌的蓝色海浪般起伏在地平线上。我需要活动一下筋骨,以便让头脑清醒。我想小跑一会儿,可是,身处伯罗奔尼撒半岛的这个角落,我又该往何处跑呢?我一下子想起,除了那座古代奥运会体育场,我还能往哪儿去呢?     

基于完美抽样的最大似然方位估计方法

为了解决最大似然估计计算量大的问题,将马尔可夫蒙特卡罗方法与最大似然方位估计相结合,提出一种基于完美抽样的最大似然方位估计新方法.研究结果表明,该方法不但保持了原最大似然方位估计方法的优越性能,而且大大减小了计算量,把原方法的计算复杂度从O(LK)减少到O(K×J×Np).     

一类三角系统的匹配数与点独立集数

给出了一类三角系统的匹配数和点独立集数的一种计算方法和计算公式,证明了：定理1（a）μ（Ln）=（μLn-1）＋μ（Ln-2）＋μ（Ln-3）＋μ（Ln-4）;（b）σ（Ln）=σ（Ln-1）＋σ（Ln-3）.定理2 设ri（i=1,2,3,4）为非负整数,则（a）μ（Ln）=2∑r1＋2r2＋3r3＋4r4=n（r1＋r2＋r3＋r4）!/r1!r2!r3!r4!＋2∑r1＋2r2＋3r3＋4r4=n-1（r1＋r2＋r3＋r4）!/r1!r2!r3!r4!＋2∑r1＋2r2＋3r3＋4r4=n-2（r1＋r2＋r3＋r4）!/r1!r2!r3!r4!＋2∑r1＋2r2＋3r3＋4r4=n-3（r1＋r2＋r3＋r4）!/r1!r2!r3!r4!;定理3设r1,r2为非负整数,n（n≥4）为偶数,则（a）m（Ln）=m（Ln-2）＋m（Ln-4）;（b）m（Ln）=∑2r1＋4r2=n（r1＋r2）!/r1!r2!＋∑2r1＋4r2=n-2（r1＋r2）!/r1!r2!.     

5类图完美匹配的计数

 匹配计数理论是图论的核心内容之一,由于得到应用领域的支持,并与其他理论课题发生密切联系,受到众多学者的关注,产生出许多含义丰富而深刻的理论成果。但是,一般图的完美匹配计数问题却是〖WTBX〗NP-〖WTBZ〗困难的。用划分、求和、再递推的方法给出了5类图完美匹配数目的显式表达式。所给出的方法,可以计算出许多二分图的所有完美匹配的数目。     

基于有限元的探地雷达低干扰条件数值模拟

本文针对探地雷达路面结构病害仿真研究的误差进行影响因素分析,采用有限元法研究了边界条件及病害-波长尺寸比对探地雷达频域仿真准确性的影响。结果表明,使用完美匹配层能有效减少仿真过程中的杂波影响,使得模拟结果更加符合实际情况;通过仿真模拟可知波长与病害尺寸相近或相比更小时,检测效果更为显著。可见,探地雷达仿真过程中处理好边界条件和波长与病害尺寸比能大大提高仿真的准确性。     

构造双偶数n = 4m阶空间最完美幻立方的方法

在SCE双偶数阶空间中心对称幻立方的基础上,给出了构造双偶数n=4m阶空间最完美幻立方的方法及其理论证明。     

自动制造系统Petri网模型中的分叉操作库所

在自动制造系统Petri网模型中,分叉操作库所是资源变迁回路(Resource-Transition Circuit,简称RTC)发生不完美性的根源.若没有分叉操作库所,则所有的RTC都是完美的.对于一个资源子集R1,若存在以R1为资源集的RTC,则θ=R1,(.R1∩R1.)就是以R1为资源集的完美极大资源变迁回路(Perfect Maximal Resource-Transition Circuit,简称PMRTC).     

饱和二部图

没有完美匹配的二部图G,若给它任意增加一条新的边,结果得到的二部图有完美匹配,则称图G是饱和的.设X包含于V（G）,Γ（X）表示V（G）中与X中至少一个顶点相邻的所有顶点组成的集合.本文证明了一个二部图G=（U,W）是饱和的当且仅当（a）存在唯一X包含于U,使得X〉Γ（X）,X-1〉Γ（X）且G的导出子图G[X∪Γ（X）]是完全二部图;（b）G的导出子图G[（U-X）∪（W-Γ（X））]是完全二部图,且满足U-X＋1=W-Γ（X）;（c）U-X中每个顶点与W中的每个顶点都相邻,且X∪（W-Γ（X））是图G的一个独立集.     

4元n方体的匹配图的若干性质

一个图G的匹配图M(G)的顶点集是G的所有完美匹配的集合,两个顶点相邻当且仅当对应的两个完善匹配的并构成G的一个Hamilton圈.文章给出了4元n方体Qn4的匹配图M(Qn4)的一些性质.     

基于深度强化学习的不完美信息群智夺旗博弈

复杂环境中群智博弈问题是近年来的研究热点之一.为解决不完美信息条件下多智能体夺旗博弈问题,本文提出了一种基于多智能体双重决斗深度Q网络(multi-agent dueling double deep Q-network, MAD3QN)以及图注意力网络(graph attention network, GAT)的多智能体夺旗博弈深度强化学习算法(G-MAD3QN).该算法在实现多智能体在迷宫地图中路径规划的同时,建模不完美信息条件下多智能体合作与竞争关系,从而确定夺旗博弈策略.在实验中,本文基于二维迷宫环境,考虑智能体观测信息不完美条件,将G-MAD3QN算法与多智能体深度Q网络(multi-agent deep Q-network, MADQN)、MAD3QN等多智能体深度强化学习的基线算法进行对比,从而验证了在二对二夺旗博弈中本文G-MAD3QN算法的有效性.