关于"TSP"的算法研究

n阶完全图 (边赋权 )的矩阵每行每列最小元素对应着一个次数为n的置换 ,若从这些最小元素组成的所有圈中每圈至少取出一个元素并令其为∞ ,那么仅包含这些元素的子矩阵可以经过初等变换将这些元素置于主对角线上形成一个新矩阵 ,其每行每列最小元素又对应一个新的置换 .在满足一定条件时 ,两个置换合成能够得到一个次数为n的循环置换 .运用这种方法 ,可使求TSP解的算法得到简化     

R^n中置换凸体的结构

利用极植分析研究并得到了R^n（n≥3,n∈N）中置换凸体的相关结构.     

关于置换凸体的结构

利用极值分析研究了，n=3，4时，Ⅳ中置换凸体的结构特征．R^3中置换凸体是一个六边形，R^4中置换凸体是一个由8个六边形和6个四边形组成的十四面体．     

置换杨图的组合性质及其应用

置换杨图本质上是A.Postnikov在研究完全非负Grassnann元胞及其元胞分解时所定义的]-图(]-diagram)的一个子集.它的发现引起许多组合学者的关注和研究,其中L.K.Williams和E.Steingrí-sson是最先关注这类组合结构的,他们在研究它的组合性质时发现了它与置换群之间存在着一一对应关系Ψ.从置换杨图本身的结构出发按照行递归的方式给出了Ψ是一一映射的一个新方法,利用这种方法可简单地将任意的一个排列π∈Sn分解成若干圈的乘积形式,并且每个圈中的元素都是按递减顺序排列.     

基于可逆Hash函数的DES型超伪随机置换的新构造

为优化Luby和Rackoff给出的DES型置换的构造,给出4-轮DES型超伪随机置换的构造ψ（h,f,f,h^-1）,指出首末两轮双对称ε-△-通用可逆Hash函数和中间两轮DES-型随机置换的组合构造是超伪随机置换．构造降低了对首末轮函数的要求,提高了DES型超伪随机置换在运算和密钥使用方面的效率．     

对极大等重等距码结构的进一步分析

在文献[1]的基础上，首次找出了（非线性）极大等重等距码（n,2k,m)的一类特殊等价分类的普遍性结构，证明了极大等重等距码的重量分布性质。     

ISG型中度混合动力汽车能量管理策略研究

在汽车动力学基础上,对ISG型中度混合动力汽车在不同工作模式下的系统效率进行瞬时优化,以系统效率最高为优化目标,得到工作模式切换规律。在瞬时优化结果的基础上,采用全局最优化方法,分别计算在不同工况下道路循环单元ECE和EUDC的油耗与SOC变化值。根据油耗与SOC变化值,对不同工况下的循环单元进行排列组合,制定了十种不同的能量管理策略。仿真结果表明,根据不同的道路情况和驾驶意图,可以选择最优的能量管理策略,以达到降低油耗和平衡SOC的目的。     

正形置换的构造

给出了正形矩阵的若干性质，求出了n阶正形矩阵的有理标准形为diag{N1,N2,…，Ns}，其中Ni是阶为ni的正形矩阵，（n1,n2,…，ns）为n的一个正递序分折，且s∑i=1ni=n；并利用对角正形矩阵的特点结合布尔函数构造了一批正形置换，其中包括一类非线性正形置换。得到了2^n阶正形置换的一个计数下界表达式为（∑n1,…，nk)∈pρ(n)kПi=1|Oni(F2）|2^n2^2nk 2^nk-1^ nk … 2^n2^ … nk，其中n=2k时，ρ（n)={(2,2,…，2）};n=2k 1时，ρ(n)={(2,2,…，2，3），（2，2，…3，2），…，（3，2，…，2，2）}。     

可分解为相同长度轮换乘积的完全映射

一个完全映射叫作ｋ完全映射，如果它可分解为具有相同长度ｋ的互不相交的轮换的乘积，对任意奇数阶的阿贝尔群Ｇ与│Ｇ│的任意正因子ｋ，都存在ｋ完全映射，对于二面体群与双循环群，还讨论了ｋ完全映射的存在性。     

基于参数优化的人工神经网络的AZ31镁合金力学性能预测模型

通过力学性能试验测定了不同退火条件下AZ31镁合金的抗拉强度、屈服强度和延伸率,并利用人工神经网络技术建立了对应力学性能的预测模型,其中对模型的优化采用了一种新方法,即参数全排列组合训练.结果表明,基于全排列训练得到的最优参数建立的网络模型具有优良的性能,比经传统试探法构建的模型具有更高的平均相关系数和更低的平均误差,因此能更准确地预测AZ31镁合金在不同退火条件后的力学性能.