7-1画出1个顶点、2个顶点、3个顶点、4个顶点和5个顶点的无向完全图。试证明在n个顶点的无向完全图中,边的条数为n(n-1)2

教学目标： 1、掌握个性的概念和个性的结构与内容； 2、理解个性、气质、性格、能力等个性差异在管理中的应用。 一、个性的内涵 二、气质 三、性格与行为 四、你的能力类型自评

麦克斯韦最先注意到(也可以从十分简单的计算得出), 当两个点A,B一起移动而不带动附近的以太时,光线从点 A走到点B再返回点A所需的时间一定会不同.当然,这个 差值是个二阶量,但是用灵敏的干涉方法已经足以检测出来。 迈克尔逊于1881年做了这样的实验他的仪器是一种 干涉仪,有两个长度相等并互相垂直的水平臂P和Q.两東 互相干涉的光线,一束沿P臂往返,另一束沿Q臂往返。整个 仪器包括光源和观察装置,可以绕竖直轴转动.当P臂或Q 臂尽可能与地球运动方向相同时的两个位置值得特别考虑 根据菲涅尔理论可以预言,当仪器从一个主位置转到另一个 主位置时,千涉条纹应发生位移 但是,取决于光传播时间改变的这种位移(为简单起见

在程序设计中,常将一些常用的功能模块编写成函数,放在函数库中供公用选用,这样可以减少很多重复的代码编写量说明: 1.一个源程序文件由一个或多个函数组成C语言以源程序为单位进行编译 2.一个C程序由一个或多个源文件组成, 对于较大的程序通常将函数和其它内容

Win于1982年证明了2n阶Ore-(1)型图有边不交的3个1-因子.本文改进这个结果,得到一个新的充分条件:2n(n ≥ 10)阶2-连通Ore-(-2)型图G有边不交的1个Hamilton图和1个1-因子,除非G是附图中所示的图之一

3.4.1一些基本概念 定义给定n个互不相同的自然书,把它们按一定次序排列起来: 称为该n个自然数的一个排列。在上述排列中,如果有一个较大的自然竖排在一个较小的 自然数前面,则称为一个反序

炼钢连铸制造流程是一个复杂的多阶段、多产品生产过程,其生产调度问题可建模为车间调度问题.提出一个改进遗传算法求解炼钢连铸生产调度问题.改进包括三个方面:基于排序的适应度分配、基于排序的工件过滤交叉算子和基于指数关系的变异率曲线.经24个benchmark的比较测试表明,改进遗传算法比传统遗传算法的寻优能力更强.通过16个生产计划和6个处理工序的炼钢连铸生产调度实例计算结果表明,改进遗传算法是有效的

针对两个不同的时变时滞耦合复杂网络,提出一个新的网络同步模型.该模型中的两个网络在节点数目、拓扑结构、内部耦合、耦合时滞及节点动态均可不相同.基于LaSalle不变原理,设计自适应控制器使得两个网络获得同步.进一步研究了具有未知拓扑结构的两个复杂网络的自适应同步问题.数值结果表明了本文方法的有效性

出现分层曲线的二元相图,可以按临界点将曲线分为两部分,lα和lβ;对应分层的两溶液相α,β的热力学性质有4个:IIE(α),S~E(α),IIE(β),SE(β)。加上相图中两温度-组成曲线lα和lβ共6个量,经过热力学分析可以给出这6个量间的关系:假设这6个量间的任意4个已知,可以将另外2个量计算出来。因此,在一些条件下,可以给出有价值的结论或公式

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性