图K15-E(K3)和K17-E(K3)的邻点可区别全染色

利用组合分析法和构造染色的方法, 讨论 图K_15-E(K₃)和K₁₇-E(K₃)的邻点可区别全染色, 确定了它们的邻点可区别全色数分别为16和19.     

若干字典积图的Mycielski图的点可区别边染色

研究了一些特殊图的字典积的点可区别边染色,如轮(或扇,星)与完全图的字典积,轮(或扇,星)与完全二部图的字典积等。利用构造边染色的方法,得到了这些字典积图的Mycielski图的点可区别边色数。     

不含4圈的平面图的无圈边染色

如果图G的正常边染色不包含2-色圈,则称它是图G的一个无圈边染色。图G的无圈边色数表示图G的无圈边染色所需的最小颜色数。利用已有的关于平面图的结构性质,证明了不含4圈的2-连通平面图的无圈边色数不超过Δ(G)+11。     

边染色图中的正常染色的路和圈

讨论了无三角形的边染色图中的正常染色的路和圈,在无三角形图中改进了原有的结果。证明了在顶点的最小色度至少为d(d≥2)的条件下,边染色图G或者存在长至少为4d-2的正常染色的路,或者存在长至少为2「2d/3的正常染色的圈。     

围长至少为5的平面图的线性染色

如果图G的一个正常染色满足任意两种颜色的顶点集合导出的子图是一些点不交的路的并,则称这个正常染色为图G的线性染色.图G的线性色数用lc(G)表示,是指G的所有线性染色中所用的最少颜色的个数.证明了对于每一个最大度为△围长至少为5的平面图G,lc(G)≤△+2.     

基于LS-SVM的棉针织物染色上染率模型的研究

针对棉针织物染色上染率建模中存在非线性建模困难及预测精度不高等问题,结合棉针织物的染色机理,基于最小二乘支持向量机(LS-SVM)建立上染率模型并进行预测.将提出的方法与BP神经网络法进行比较,试验结果表明前者具有更高的预测精度,验证了LS-SVM对织物染色上染率预测建模是一种可行而有效的方法.     

正则图的均匀边染色

研究正则图的均匀边染色,指出并非所有正则图都存在任意种颜色的均匀边染色.证明当l能够分解为整数k与偶数b的乘积时,l-正则图存在均匀k-边染色.同时,给出正则图均匀边染色的最小颜色数.     

图的强直积的2-距离染色(英文)

设G,H是阶至少为2的简单图。图G与H的强直积是指这样一个图G□×H,其顶点集合为V(G)×V(H),并且(x1,x2)(y1,y2)∈E(G□×H)当且仅当[x1y1∈E(G)且x2y2∈E(H)]或者[x1=y1且x2y2∈E(H)]或者[x2=y2且x1y1∈E(G)]。一个图G的使用了k种颜色的2-距离染色是指一个从V(G)到{1,2,…,k}的映射f,使得任意两个不同的距离最多是2的顶点染不同的颜色。对图G进行2-距离染色所需的最少的颜色数称为图G的2-距离色数,记为χ2(G)。文中将获得两个图的强直积的2-距离色数的可达到的上界和下界:Δ(G□×H)+1≤χ2(G□×H)≤χ2(G).χ2(H)。对一些特殊图,例如Pm□×Kn,Pm□×Wn,Pm□×Sn,Pm□×Fn,Pm□×Cn(n≡0(mod3)或者n=5),给出了它们的2-距离色数。     

关于K_n-{v_(n-5)v_(n-4),v_(n-3)v_(n-2),v_(n-1)v_n}(n≥14,n≡0(mod2))的点可区别边色数

给出了图K_n-{v_(n-5)v_(n-4),v_(n-3)v_(n-2),v_(n-1)v_n}(n≥14,n≡0(mod2))的点可区别边色数,其中Kn为n阶完全图。     

最大度为6且不含相交4-圈的三类平面图的全染色

设G是一个不含相交4-圈的平面图且Δ(G)≥6,证明了如果G还不含相交3-圈,或不含5-圈,或不含6-圈,则全染色数χ″(G)=Δ(G)+1。