若干图的点强全染色(英文)

对图G及正整数k，映射f：满足：（1）任意e1，e3，如果e1，e2是相邻或相关联的，则有；（2）对u，v，w（G）有，则称f为G的一个k-点强全染色，并且K|G的社点强全染色称为G的点强全色数．本文讨论了一些特殊困的点强全色数，并提出了一个猜想：若G为每一分图的阶数不小于6的图，则（G），其中（G）为本文中定义的一新参数．     

Halin-图的点强全染色

图G(V,E)的一个k-正常全染色f叫做一个k-点强全染色当且仅当对任意v∈V(G), N[v]中的元素被染不同色,其中N[v]={u|uv∈V(G)}∪{v}．χTvs(G)=min{k|存在图G的k- 点强全染色}叫做图G的点强全色数．对3-连通平面图G(V,E),如果删去面fo边界上的所有点后的图为一个树图,则G(V,E)叫做一个Halin-图．本文确定了最大度不小于6的Halin- 图和一些特殊图的的点强全色数XTvs(G),并提出了如下猜想:设G(V,E)为每一连通分支的阶不小于6的图,则χTvs(G)≤△(G) 2,其中△(G)为图G(V,E)的最大度．     

Petersen图的Hamilton性和边色数

对简单图G(V,E),定义图G的关联图I(G)为V(I(G))={(ve)|v∈V(G)且e∈E(G)和v与e关联},E(I(G))={(ue,vf)Iu=v或e=f或uv=e或uv=f}.本文证明了Petersen图可被分解为边不交的Hamilton-圈和一个1-因子的并.     

Halin-图的邻强边染色

图G(V,E)的正常κ-边染色f叫做图G(V,E)的κ-邻强边染色当且仅当任意uv∈E(G)满足f[u]≠f[v],其中,f[u]={f(uw)|uw∈E(G)},称f是G的κ-临强边染色,简记为κ-ASEC.并且x′_as(G)=min{k|κ-ASEC of G}叫做G(V,E)的邻强边色数.本文研究了△(G)≥5的Halin-图的邻强边色数.     

△(G)=4的Halin-图的邻强边染色

图G(V,E)的一正常k-边染色f称为G(V,E)的一k-邻强边染色(简称k-ASEC)当且仅当任意uv∈E(G)满足f[u]≠f[v],其中f[u]={f(uw)|uw∈E(G)},并称Xas(G)=min{k|存在G的一k-ASEC}为G的邻强边色数.本文研究了△(G)=4的Halin-图的邻强边染色,得到了如下结果对△(G)=4的Halin-图有△(G)=4≤Xas(G)≤△(G)+1=5.     

Δ(G)≤4的外平面图的邻强边色数

研究了Δ(G)≤4的外平面图的邻强边染色,证明了Δ(G)≤χ′as(G)≤Δ(G)+1,且χ′as(G)=Δ(G)+1当且仅当存在两个最大度点相邻,其中Δ(G)和χ′as(G)分别表示图G的最大度和邻强边色数,并且提出了如下猜想:如果G是一个|V(G)|≥3(G≠C5)的2-连通图,则Δ(G)≤χ′as(G)≤Δ(G)+2.     

△（G）≤4的外平面图的邻强边色数

研究了△（Ｇ）≤４的外平面图的强边染色,证明了△（Ｇ）≤Ｘ′ａｓ（Ｇ）≤△（Ｇ）＋１,且Ｘ′ａｓ（Ｇ）＝△（Ｇ）＋１当且仅当存在两具最大度点相邻,其中△（Ｇ）和Ｘ′ａｓ（Ｇ）分别表示图Ｇ的最大度和邻强边色数,并且提出了如下猜想：如果Ｇ是一个｜Ｖ（Ｇ）｜≥３（Ｇ≠Ｃ５）的２－连通图,则△（Ｇ）≤Ｘ′ａｓ（Ｇ）≤△（Ｇ）＋２。     

最大度不小于6的伪-Halin图的完备色数

设G为2-连通平面图,若存在G的面f₀,其中f₀的边界构成的圈上无弦且V（f₀）中的点的度至少为3,使得在G中去掉f₀边界上的所有边后得到的图为除V（f₀）中的点外度不小于3的树T,则称G为伪-Halin图;若V（f₀）中的点全为3度点,则称G为Halin-图.本文研究了这类图的完备色数,并证明了对△（G）≥ 6的伪-Halin图 G有 X_C（C）=△（G）+1.其中△（G）和X_C（G）分别表示G的最大度和完备色数.     

最大度不大于5的Halin-图的点强全染色

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( A)v∈V(G),N[v]中的元素染不同色,其中N[v]={u|uv∈V(G)}U{v},并且XusT(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△(G)≤5的Halin-图G(V.E)的XusT(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XusT(G)≤△(G)+2,其中△(G)表示图G的最大度.     

模糊反向物流网络设计模型的一种改进遗传算法

反向物流是物流研究中的一个重要分支,其相关问题是目前研究的热点问题。该研究在模糊环境中根据不同的决策标准,建立了关于反向物流问题中的回收问题的三种不同类型的模型:期望值模型,机会约束模型和相关机会模型,并设计了一个模糊模拟和遗传算法相结合的混合智能算法来解决提出的模型,最后给出了一个数值例子,结果证明了将此混合智能算法用于求解模糊反向物流网络设计模型问题的有效性。