关于图Cn·Cm,Cn·Fm,Cn·Wm的邻强边着色

设图G(V,E)为简单图,其点数不小于3.图G(V,E)的k-邻强边染色是指映射f:E(G)→{1,2,…,k},使f为正常边着色,且坌u,v∈V(G),当uv∈E(G)时,有C(u)≠C(v),其中C(u)={f(uv)|uv∈E(G)}.记X'as(G)=m in{k|G有k-邻强边着色法}.称X'as(G)为G的邻强边色数。本文构造了三类图Cn·Cm,Cn·Fm,Cn·W m,通过对图的具体着色得到其邻强边色数分别为4,m+1,m+1.

一种解决FMS刀具流死锁问题的方法

提出了一种解决FMS中刀具流死锁问题的方法———刀具流死锁图判定法,首次提出了刀具申请分配图的概念,定义了刀具流死锁图,把刀具流死锁和死锁图联系起来,建立了刀具流死锁的判定定理,给出了两种死锁检测算法。该方法解决了FMS中的刀具流死锁问题,为刀具流控制问题的深入研究奠定了理论和技术基础。

FMS中刀具流死锁检测新方法的研究

FMS中的刀具流死锁问题是刀具流控制中至今未解决的难点问题,为此提出了一种解决刀具流死锁问题的方法———刀具流死锁图判定法,首次提出了刀具申请分配图的概念,定义了刀具流死锁图,把刀具流死锁和死锁图联系起来,建立了刀具流死锁的判定定理,并给出了两种死锁检测算法.该方法解决了FMS中的刀具流死锁问题,并为刀具流控制问题的深入研究奠定了理论和技术基础.

一种解决FMS中刀具流死锁问题的方法

FMS中的刀具流死锁问题是刀具流控制中至今尚未解决的难点问题,文中提出了一种解决刀具流死锁问题的方法—刀具流死锁图判定法,首次提出了刀具申请分配图的概念,定义了刀具流死锁图,把刀具流死锁和死锁图联系起来,建立了刀具流死锁的判定定理,并给出了2种死锁检测算法.该方法解决了FMS中的刀具流死锁问题,并为刀具流控制问题的深入研究奠定了理论和技术基础.

FMS的动态图形仿真

介绍一个用VisualC++编制FMS的动态图形仿真程序 ,讨论了离散事件仿真建摸的几种策略 ,阐明了本仿真程序所采用的进程交互算法以及图形动画实现的方法 .

FMS的动态图形仿真

介绍了一个用ＴｕｒｂｏＣ＋＋编制的ＦＭＳ的动态图形仿真程序，论述了离散事件仿真建模的几种策略。

一种针对大规模Read Mapping的高效DBG索引方法

为了能够回答生物信息学中关于de Bruijn graph(DBG)的两个问题——①对于任意的k-mer,回答其是否为DBG的顶点,②对于DBG的任意顶点,回答其邻接信息(入边和出边),提出了一种针对大规模read mapping的高效DBG索引方法.本文将以上两个问题转化为非重复多路径上的k-mer和(k+1)-mer的确切查找问题,并利用FM-index进行解决.首先,对给定的参考序列进行压缩,即非重复多路径的发现,从而压缩了序列中大量存在的重复(k+1)-mer.其次,基于非重复多路径FM-index对DBG进行索引.查找k-mer是否出现在DBG上,若找到,给出该k-mer的直接前驱和直接后继结点,从而提高时空效率.最后,在62种大肠杆菌菌株的基因组上进行实验.实验结果表明,所提出的方法可以高效地对多参考序列的DBG进行索引.

无限路等圈嵌套图边-平衡指数集的完全确定(1)

基于Cn×P3,Cn×P11图的边-平衡指数集,利用多种组合设计技巧,找出对一切自然数m和n的有效分类,研究了无限路等圈嵌套图Cn×Pm的边-平衡指数集问题,确定了n≥3,m≡0(mod3)时,Cn×Pm的边-平衡指数集的计算公式及相应的图形设计方法.

P_2×C_n的k-边优美的图标号

给出了图G=(V,E)为k-边优美的充分条件,根据正则图的特殊性质,讨论了P2×Cn为k-边优美图的必要条件.利用递归方法构造k-边优美图标号并给出详细证明,从而完全解决了P2×Cn的边优美指标集问题.

两类图的算术标号

对于一个(p,q)图G,如果存在一个V(G)到非负整数集N_0的一个映射f(称为顶点标号)满足:(1)f(u)≠f(v),其中u≠v,且u,v∈V(G);(2){f(u)+f(v)|uv∈E(G)}={k,k+d,…,k+(q-1)d},称图G为(k,d)-算术图。证明了图F_(m,4)是(d,2d)-算术图和图F_(m,6)是(d,3d)-算术图。

C_m×C_n的k-边优美的图标号

首先给出了图G=V,E为k-边优美的充分条件,根据正则图的特殊性质,讨论了Cm×Cn为k-边优美图的必要条件.利用递归方法构造k-边优美图标号并给出详细证明,从而完全解决了Cm×Cn的边优美指标集问题.

图C_(n,m)的邻点可区别均匀E-全染色

针对图的邻点可区别均匀E-全染色问题,用结构分析的方法和穷举法研究图Cn,m(n≥3,m≥1)的邻点可区别均匀E-全染色问题,得到它们的邻点可区别均匀E-全色数,并验证结果的有效性.

一类新的非哈密顿图(英文)

把非哈密顿图Km∨(■m+Kn-2m)(1≤m≤n2)扩充为Ks∨(sum from i=1 to s+1 kmi)(sum from i=1 to s+1 mi=n-s,n≥3,1≤s≤n-21),并讨论此类图的简单性质.

S_5∨C_n的交叉数

利用完全3部图K1,5,n的交叉数的结果,继续对联图Sm∨Cn(m=5)的交叉数进行研究,得到了cr(S5∨Cn)=Z(6,n)+4「n2」+3.

两类特殊图的(2,1)-全标号

研究了与频道分配有关的一种染色问题——(p,1)-全标号.(p,1)-全标号是从V(G)∪E(G)到集合{0,1,…,k}的1个映射,满足:①G的任2个相邻的顶点得到不同的整数;②G的任2个相邻的边得到不同的整数;③任1个点和与它相关联的边得到的整数至少相差p.称最小的数k为图G的(p,1)-全标号数.根据所构造图的特征,利用穷染法得到了这些图的(2,1)-全标号数.

图C_n×K_2的边优美标号的研究

文章研究了图Cn×K2的边优美性,证明了当n≡1(mod2)时,图Cn×K2不是边优美图,同时给出当n≡0(mod2)时图Cn×K2边优美标号的算法,并利用此算法编写Java程序,得出当n=2,4,6,8,10时图Cn×K2的边优美标号.

联图W_4+C_n的交叉数

联图G+H表示将G中每个点与H中的每个点连边得到的图。在Klesc M.给出联图W3+Cn的交叉数的基础上,应用反证法和排除法得到了联图W4+Cn的交叉数为Z(5,n) + n +|n/2|+ 4(n≥3)),并在Zarankiewicz猜想成立的前提下,根据证明,提出对Wm+Cn的交叉数的一个猜想:cr(Wm+Cn)=Z(m+1,n)+|m/2||m-1/2||n/2|+|m/2|+|n/2|+2,n≥3。其中Z(m,n)=|m/2||m-1/2||n/2||n-1/2|,m,n为非负整数。

三类特殊图的邻点可区别全染色

图的一个正常的全染色满足相邻顶点的顶点及其关联边的颜色集合不同时,称为邻点可区别全染色,其所用的最少的颜色数称为其邻点可区别全色数。刻画了Cm×Cn图,Fm Fn图;广义Petersen图的邻点可区别全色数。

基于评论文本图表示学习的推荐算法

基于卷积或循环神经网络的推荐系统主要捕捉评论文本中相邻词之间的局部和连续依赖关系,对长期、全局、非连续的依赖关系的捕捉能力有限。针对该问题,提出一种基于评论文本图表示学习的推荐算法RGP。将每个用户或项目的评论文本表示成图,图的节点为评论文本的词,图的边为词与词的连接关系。针对图中的每个节点,使用基于连接关系的图注意力网络加权融合其邻点信息,利用基于交互关系的注意力机制对节点重新赋权,并加权融合图中所有节点的表征从而得到整个图的表征。在此基础上,将基于用户和项目ID的嵌入表征及其评论图表征耦合输入并采用因子分解机进行评分预测,以得到最终的推荐结果。实验结果表明,与NARRE、DAML等算法相比,RGP算法可有效提高推荐精度。

基于异构信息网络的混合推荐模型

个性化推荐平台具有数据来源广泛且数据类型丰富的特点,而其中的数据稀疏是影响推荐系统性能的重要原因。如何挖掘推荐平台结构化数据和非结构化数据以发现更多特征,在数据稀疏场景中提高推荐的准确率,缓解冷启动问题,并且使得推荐具有可解释性,是推荐系统面临的重大挑战。因此,针对为User推荐Item的个性化场景,利用异构信息网络(HIN)构建推荐平台中对象间的关联关系,以元路径(Meta-Graph)描述对象间的关联路径并计算不同路径下的User-Item相似度矩阵;用FunkSVD矩阵分解算法分解User以及Item的隐式特征,并针对以文本为例的非结构化数据以卷积神经网络(CNN)技术挖掘这些数据的文本特征;将两种方式获取的特征进行拼接后,使用融入User和Item历史平均分的因子分解机(FM)来预测User对Item的评分。实验过程基于公开数据集Yelp建立提出的混合推荐模型、基于Meta-Graph的单一推荐模型、因子分解机推荐(FMR)模型以及基于FunkSVD推荐模型并对它们进行训练。实验结果表明,所提出的混合推荐模型具有较好的有效性和可解释性,相较于几个对比模型,该模型的推荐精度均有较大的提升。