边染色图中的彩色围长

研究了在边染色图中有关颜色度与彩色围长的关系,得出了一个结论:若G是具有n个顶点(n≥3)的边染色图,对任意v∈V(G),如果dc(v)≥n/(2-α),其中α=3/(s-3)ln(2+7^(1/2))/3 ,s>3且s∈N,则有gH(G)≤s。

一类边列表3-染色图

如果 S是图G的割边集,△(G(S))是边导出子图G(S)的最大度,G_1,G_2是 G\S的连通分支,且G_1,G_2分别是边列表k_1,k_2-染色的,则图G的边列表染色指标不超过max{k_1,k_2}+2△(G(S)),由此给出一类边列表3-染色图,并且证明完全图k_4是边列表3-染色的。

贪心染色下的随意可染色图

贪心算法用于图的染色问题是一种简单的近似方法。采用贪心算法,证明了将图G的顶点用独立集代替后所得的图GI是随意可染色的当且仅当G本身是随意可染色图;不含K2,3的三正则图是随意可染色图当且仅当它是K4。

θr,s,t^＊-图与唯一2-列表染色图的特征化

如果一个图G存在一个k-列表安排使得G具有一个唯一列表染色,则称 G是唯一列表可染色图,简称UkLC图．我们称图G具有M(k)性质当且仅当G不 是UkLC图．本文在借鉴θr,s,t-图概念的基础上引入θr,s,t-图的定义,并证明:除了 r=s=t=2以外,θr,s,t-图都是U2LC图．利用如上结果我们给出M．Mahdian and E．S．Mahmoodian对U2LC图所作特征化的一个简单证明．

边染色图中的长彩色路问题

研究了边染色图中的彩色路,给出了满足一定色度条件下的边染色中彩色路的长度的下界。

通过图像分析方法作出的薏苡定量染色体图(英文)

薏苡染色体数目为 2n =2 0 ,由于中期染色体的长度差异不大 ,相邻染色体难以区分 ,而薏苡前中期的染色体相对较长 ,经DAPI染料染色后染色体上显示明显不同的深染区和浅染区 ,深染区和浅染区分别相当于染色体上染色质纤维较浓缩和较伸展的区域。前中期染色体上染色深浅不一的染色区可以作为识别薏苡特定染色体的重要标志 ,也可用于辨别同源染色体。用MetaMorph软件定量分析了薏苡每条前中期染色体上 (从短臂到长臂 )DAPI信号强度的变化 ,结合染色体的长度和臂比作为辅助参数 ,构建了薏苡前中期染色体的定量染色体图。该定量染色体图不仅描述了每条染色体不同区域浓缩程度的不同 ,而且也反应出不同浓缩区域所占染色体长度的比例。因此该定量染色体图是实际的前中期染色体的一种直观模式 ,可作为识别薏苡基因组中每条染色体的有力依据。

中国莲的定量染色体图

利用MetaMorph软件定量分析了中国莲(NelumbonuciferaGaertn.)每条前中期染色体上(从短臂到长臂)二脒基苯基吲哚(DAPI)荧光强度的变化,结合染色体的相对长度和臂比作为辅助参数,构建了中国莲前中期染色体的定量染色体图.该定量染色体图是实际的前中期染色体的一种直观模式,可识别中国莲基因组中每条染色体以及分析染色体上的异染色质分布,为莲的细胞遗传学研究提供了一种新的方法.

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。

并行图染色的无线网状网络媒体接入控制

将无线网状网络(WMNs)的传输调度建模为冲突图染色问题,提出了一种新颖的基于并行图染色的分布式时分多址(TDMA)媒体接入控制算法.该算法充分利用无线路由器和无线骨干网的自身优势,只需依靠网络的局部拓扑和负载信息,对无线接入网的传输调度实现全局优化.仿真结果表明,所提算法性能十分接近最优调度,并且通信开销成本非常低.

基于图染色理论和遗传蜂群算法的并行测试任务调度

针对并行测试中任务优化调度这一关键性问题,提出了一种图染色理论和遗传蜂群算法相结合的任务调度优化算法。首先,建立了基于图染色理论的并行测试任务关系模型,用图来描述测试任务占用仪器资源的情况;然后,在测试任务关系模型的基础上,将遗传算法特有的交叉、变异操作与人工蜂群(ABC)算法相结合搜索最优解,能够有效避免算法早熟并且加速算法收敛;最终得到并行度最大的任务分组方案。经仿真验证,所提方法能有效地实现并行测试,提高自动测试系统的测试效率。

玉米粗线期染色体的高分辨率染色粒图

经温和固定和展片的玉米小孢子母细胞减数分裂的粗线期染色体,在电镜下,着丝粒和大量的电子致密的染色粒清晰可辨。其数量和位置自减数分裂早偶线期至早双线期是稳定和可重复的。为此,我们对粗线期的10条双价体中各条分别进行详细的染色粒分析,构建了一个完整的染色体组的染色粒图。总共识别和定位了达430±12(根据7套染色体组计数平均)染色粒。染色粒图可用于确定原位杂交法定位基因的详细分布区域,染色体重排中断点的定位,识别外源单价体和由于不联会或脱联会而产生的单价体等。

最大度不大于5的Halin-图的点强全染色(英文)

图 G(V,E)的一正常 k-全染色 f 称为 G(V,E)的一 k-点强全染色当且仅当任意 v∈ V(G) ,N[v]中的元素染不同色 ,其中 N[v]={ u| uv∈ V(G) }∪ { v} ,并且 χvs T(G) =min{ k|存在 G的 k-点强全染色 }称为 G(V,E)的点强全色数 .本文得到了 Δ(G) 5的 Halin-图 G(V.E)的 χvs T(G) ,并提出如下猜想 :设 G(V,E)为每一连通分支的阶数不小于 6的图 ,则χvs T(G) Δ (G) + 2 ,其中Δ (G)表示图 G的最大度 .

壶腹周围肿瘤染色体9p21缺失图谱的构建

目的:进一步限定壶腹周围肿瘤染色体9p21区域的缺失范围.方法:选择染色体9p21区域5个微卫星多态性标记,通过聚合酶链反应、聚丙烯酰胺凝胶电泳和银染法,检测35例壶腹周围肿瘤及其外周血杂合性丢失(LOH)状况.结果:50%(4/8)胰腺癌有至少一个微卫星位点的LOH,其中D9S974(37.5%)和D9S942(28.6%)丢失频率较高,并且有连续性丢失现象.62.5%(5/8)壶腹癌在部分或全部位点出现LOH,其中D9S942(42.9%)丢失频率最高,其次为IFNA(37.5%)和D9S171(37.5%).14.2%(1/7)胰岛素瘤有一个位点LOH.结论:壶腹周围肿瘤染色体9p21最小共同缺失区位于D9S974和D9S942位点之间,其中可能存在一个新的涉及该肿瘤发生的相关抑癌基因.

基于图染色问题的混合优化算法

为了提高图染色算法的寻优能力和收敛速度,结合禁忌搜索算法和遗传算法的优缺点,提出了一种混合优化算法(GA-HM)。该算法利用遗传算法生成初始解,将染色元素分到不同的色集中,然后通过禁忌算法进行变领域搜索来更新顶点染色。实验结果表明,GA-HM对求解相同的目标解具有更好的全局最优性和收敛性。

广义θ-图的邻点可区别的全染色(英文)

u,v两点间连多于三条内部不相交的路且至多有一条长度为1的图,称为广义θ-图.本文给出了广义θ-图的邻点可区别的全染色.

若干图的强染色(英文)

图 G(V,E)的一正常 k-染色 σ称为 G(V,E)的 - k-强染色当且仅当对任何两个不同顶点 u和 v,只要d(u,v)≤ 2 ,则 u、v染不同颜色 (这里 d(u,v)表示 u,v之间的距离 ) ,并称 xs(G) =min{ k|存在 G的 - k-强染色 }为 G的强色数 ,本文得到 θ-图 ,Cm,n图 ,Halin图的强色数 xs(G)

边染色图中的2-因子

令G是含n个点的边染色图,对G中任意顶点x,定义其色邻域CN(x)为集合{c(xy)|xy∈E(G),y∈V(G)}。如果G中任意相邻的两条边都染有不同的颜色,就称G是正常染色的。证明了如果边染色图G满足对V(G)中任意两点u,v有|CN(u)∪CN(v)|≥4n/3+8,则图G含有一个正常染色2-因子。

基于图染色思想的RFID防冲突算法研究

针对射频识别技术(RFID)存在多个阅读器同时传输数据容易产生冲突的问题,提出了一种基于图染色理论的防止冲突的算法。该算法利用图的染色算法将可能存在冲突的阅读器染成不同的颜色,使得每种不相同的颜色不能同时获得相同的时隙,降低了多个阅读器同时传输数据产生冲突的可能性。分析表明:采用该算法明显地降低了阅读器之间的冲突率,同时得到最小的时隙数,提高了信道利用率,为RFID防冲突算法提供了一种新的解决方案,同时为基于TDMA的广播调度模式也提供了一种新的时隙分配方式。

人类高分辨迟复制R显带染色体核型图的制作及意义

自Camargo和Ronne等先后建立迟复制高分辨R显带技术以来,已得到国内外许多学者的注意。国外几位学者以ISCN(1978)制定的R带模式图为基础制备了高分辨迟复制R带模式图,在用高分辨迟复制R带技术进行核型分析时,参照这些核型图,有时很难与目前最常用的G带技术取得一致的结果,且这些模式图尚有一些明显的错误,分辨水平仅在500条带/每单倍体左右。因此,我们以ISCN(1981)的G带高分辨模式图为基准,从400条带,550条带,850条带三个分辨水平制备三套高分辨迟复制R带核型图,目的在于纠正一些核型图的错误,并为G带和迟复制R带的互核交流提供便利。这项工作在国内尚属首次,对于促进高分辨迟复制R带技术的开展和应用有所帮助。

一种基于多智能体进化的广义图染色算法

基于对广义图染色问题的研究,提出了一种求解广义图染色问题的多智能体进化算法(multiagent evolutionary algorithm for T-coloring problem,简称MAEA-TCP),并将该算法应用到实际中的频率分配问题上,取得了良好的效果.该方法中每个智能体作为一个候选解被固定在智能体网格上,为了增加自身能量而与邻域当中的智能体展开竞争或者合作,同时智能体也可以利用自身的知识进行自学习来增加能量.根据广义图染色问题的特点,为智能体设计了3种算子:竞争算子、自学习算子和变异算子,以引导其进化,并用进化的方式来控制各算子,以协调智能体之间的相互作用.在实验中,分别使用大规模的随机图实例和费城实例来测试算法性能,同时给出参数测试结果和最佳取值区间.比较结果表明,该算法优于其他方法,具有良好的收敛性和实用价值.