图的L(d,1)-标号着色

来源 :东南大学 | 被引量 : 0次 | 上传用户:qdchengr
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
图的标号着色来自所谓的频道分配问题:某一区域有若干电台,不同的电台要使用无线电波发送信号,为了避免相互干扰,位置十分接近的电台要使用相差足够远的频道,位置较近的电台要使用有一定相差的频道。将频道分配给电台,目标是在保证电台互不干扰的前提下使用最少的频道资源。图G的L(d,1)-标号着色(d∈Z+)是图的L(2,1)-标号着色的推广,它是一个从点集V(G)到非负整数集的函数f满足条件:(1)|f(u)-f(v)|≥d,若uu∈E(G);(2)|f(u)-f(v)|≥1,若d(u,v)=2。图G的L(d,1)-标号着色数定义为:λd(G)=minfmax{f(v):v∈V(G)},即图G的所有标号着色的最大标号的最小值。 本文考虑一些图类的L(d,1)-标号着色问题,研究了Regulartiling、联图以及几类积图(Cartesianproduct)等一些图类的L(d,1)-标号着色数。除Regulartiling及联图之外,文章的主要部分是讨论积图的标号着色,主要包括路积图、路圈积图、圈积图、完全二部图积图、完全二部图与路的积图、完全图与路的积图以及完全图与圈的积图。 在第二、三章中,通过周期标号的方法寻找Regulartiling及几类积图的L(d,1)-标号着色。本文给出Regulartiling及路积图当d≥3时的L(d,1)-标号着色数。再结合d≤2的情形下的结果,Regulartiling及路积图的L(d,1)-标号着色数便完全确定了。此外,还给出了部分路圈积图、圈积图的L(d,1)-标号着色数,其他则是给出其标号着色数的界。 第四章考虑与完全二部图、完全图有关的积图的L(d,1)-标号着色数。通过模标号的方法,得到这些图的L(d,1)-标号着色,从而确定其L(d,1)-标号着色数或者给出界。在最后一章,利用图的L(d,1)-标号着色数与联图的L(d,1)-标号着色数的关系导出一些图的L(d,1)-标号着色数。
其他文献
近几十年来,国内外大跨空间结构蓬勃发展,钢拉索作为不可或缺的高效受拉构件应用于各类空间体系中,尤其是张拉结构。钢拉索的存在不仅帮助提高结构刚度,改善体系的内力分布,且降低构件内力峰值,提高结构的承载力。对于结构中的钢拉索,边界条件不明确,整体结构对拉索索力识别的影响不可忽略。本文根据现有索力识别理论及ANSYS有限元软件分析,考虑整体结构影响下的索力识别,研究内容如下:首先,推导并总结了单索在不同
学位
本文研究了某些特殊组合恒等式的自动证明算法及某些特殊序列发生函数的自动求解算法.论文的主要内容如下:第一章简要地介绍了组合恒等式证明理论的发展进程.第二章介绍组合
  本文的研究重点是印刷体英文识别技术。传统的印刷体英文识别系统很大程度上依赖于字符分割的好坏。字符分割的难点在于如何解决粘连字符的分割问题,特别是对小字号的字符
神经网络在神经生理学、神经解剖学的范畴内,指的是生物神经未网络;在信息计算机科学等领域内,指的是向生命学习而构造的人工神经网络。神经网络的研究实质是ANN 向BNN 学习
学位
网络技术的飞速发展和Internet的普及使得人们拥有了大量可供选择的信息资源,而如何有效和快速的获取这些资源成了众人关心和研究的问题。搜索引擎的出现提高了信息查找的效
摘要:本论文主要对前馈神经网络混合训练算法进行了研究.近些年,由于神经网络的兴起,其学习算法成为一个非常热门的研究领域之一.而混合训练算法的提出更是给该领域注入了新活
自从Lorenz提出“蝴蝶效应”以来,混沌已经引起了数学,物理学和工程技术人员的极大兴趣。特别是进入二十世纪八十年代以来,混沌学更是与其它科学相互渗透、相互发展,无论是在生物
本文主要研究模糊学习过程一致收敛速度的界。首先讨论了模糊随机变量的函数及d度量的性质;其次就损失函数集的数量为有限和无限两种情况,分别给出模糊学习过程收敛速度的界,并