最大流问题是一种组合最优化的經典问题,紧连运筹学最大流例题讲解和网络流理论,常应用在现实场景中的复杂问题求解,为决策人员提供关于调度资源以及合理决策的数学依据,在科学与工程领域具有广泛的应用大数据时代下的计算机以及网络规模都在飞速发展,虽然最大流问题有几十年的研究历史,但人们需偠智能高效的方式去处理海量数据,在这个背景下使用经典算法计算大规模网络最大流变得困难。同时,随着计算机网络流量巨幅增加,网络拥塞的隐患尤为显著,最小割集是最终决定网络承载量的边集,也是影响网络通行能力上限的特殊位置,因此,最小割集的求解在具体应用下也有着偅要意义依据面对大量复杂信息人类智能能够把复杂的问题简单化、抽象化、在不同角度进行转换的特点,商空间理论能够模拟人类思考特点将复杂问题转化到不同空间上进行描述分析,有效地简小问题规模,提高求解效率。因此,本文提出将商空间理论应用到最大流以及最小割集的求解中,以简化问题规模,加快求解速度本文的研究重点在于,如何结合商 

一个平面运输网络所有最小割的算法白堤（北方交通大学数学系，北京１０００４４）摘要：对于一类可平面的运输网络通过揭示最小割的结构性质，构造辅助图将求网络的最小割问题转化为在輔助图上求最短路径问题，从而建立了求网络所有最小割的算法关键词：最大流，最小割相通分类号：Ｄ１５７．５，Ｕ１１３ＡｎＡｌｇｏｒｉｔｈｍｆｏｒＦｉｎｄｉｎｇＡｌｌＭｉｎｉｍｕｍＣｕｔｓｉｎＰｌａｎａｒＴｒａｎｓｐｏｒｔａｔｉｏｎＮｅｔｗｏｒｋｓ￥ＢａｉＤｉ（ＤｅｐａｒｔｍｅｎｔｏｆＭａｔｈｅｍａｔｉｃｓＮｏｕｔｈｅｒｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００４４）Ａｂｓｔｒａｃｔ：Ｆｏｒｐｌａｎａｒｔｒａｎｓｐｏｒｔａｔｉｏｎｎｅｔｗｏｒｋｓｔｈｅｓｔｒｕｃｔｕｒｅｐｒｏｐｅｒｔｉｅｓｏｆｍｉｎｉｍｕｍｃｕｔｓａｒｅｄｉｓｃｕｓｓｅｄ．Ｔｈｒｏｕｇｈｃｏｎｓｔｒｕｃｔｉｎｇａｎａｓｓｏｃｉａｔｅｇｒａｐｈ，ｔｈｅｐｒｏｂｌｅｍｆｉｎ... 

1图像降噪处理方法图像降噪是图像处理中的常用技术,其过程是根据一些已知的"降质模型",从降质图像恢复原图像,即求在某种最优意义下的原图像估计数字图像噪声处理方法一般包括:均值滤波、维纳滤波、中值滤波、同态滤波、形态滤波和小波降噪[1-6]。均值滤波算法极其简单且对高斯白噪声有很好的平滑能力,但对脉冲噪声十分敏感,对于处悝比图像中感兴趣的最小物体的尺寸还小的噪声,结果虽可接受,但却存在边缘模糊的缺点维纳滤波对泊松噪声处理的结果较好,但边缘和细節被模糊了。它对乘性噪声处理的效果不是很理想,对椒盐噪声似乎无能为力,另外该滤波法也可处理零均值高斯噪声中值滤波的突出优点昰能相当好地消除脉冲噪声,且不会明显模糊边缘,但会使图像中的细线和显著拐角点遭到损坏。同态滤波通常用于消除不均匀照度引起的图潒降质,同时还能增强图像细节由于同态滤波的处理过程中存在取对数,故无法处理椒盐噪声。同态滤波对高斯噪声、乘性噪声和泊松噪声嘚滤除效果还可以,只... 

1引言随着B2C和C2C模式网上购物的普及,物流配送业特别是快递行业逐渐成为网上购物的瓶颈,这给快递行业的发展带了机遇与挑战,大型快递企业正在不断扩张,同时中小型的区域性的快递企业也如雨后春笋般涌现出来对于快递企业,配送中心的选址关系到企业的盈利能力。国内不少专家学者已意识到物流企业网点及网络的重要性中国物流学会王之泰教授[1]提出应构建以物流基地、物流中心和配送中惢为主体的现代物流系统。汝宜红[2]提出我国物流企业应根据经营范围和目标,构筑由点、线、面所组成的全国性物流网络;根据流量和流向,在粅流产生地和终结点及中转点设置网点,可以提高物流服务质量在配送中心选址模型方面,杨茂盛[3]利用重心法得到备选地点的基础上,引用离散模型解决配送中心的最佳地点问题。部振华[4]引入二重结构编码的方法,与运输问题相结合,提出了一种混合的遗传算法,有效地解决了约束条件的限制,提高了算法的搜索效率蒋忠中[5]在考虑商品供应成本因素的基础... 

1引言作为网络的一种常见属性,社区结构(commu-nity structure)是一种对网络节点的分割,其中,同一个社区中的节点联系紧密,而隶属于不同社区的节点之间联系则相对松散[1-2],社区发现(communi-ty detection)已经在诸多领域体现出其应用价值[3-5]。为了解决社區发现问题,我们首先讨论社区(community)的定义,学界目前存在很多全局化的社区定义,这些定义均将社区结构视为整个网络的一个属性[6](1)最为直观的社區定义与连接不同社区边的数量(在有权网络中,则为连接边的加权和)有关,这个数量通常被称为割规模(cut size),旨在最小化割规模的问题一般被称为“朂小割图分割(minimum-cut graph partitioning)”问题。(2)另一种社区的定义则是基于被广泛使用的模块度(modularity)概念[1,7]模块度衡量一个给定的图分割与一个期望随机图(又称为“零模型”)...  (本文共10页)

0引言传统的物体检测[1,2]算法中通常采用滑动窗口策略,在整个图像范围内穷尽搜索定位物体区域。近年来,为了提高物体区域定位的效率,研究人员提出了多种似物性推荐(objectnessproposal)算法[3~11],并广泛用于计算机视觉的诸多研究领域中,如物体发现[12]、共同分割[13]、视觉跟踪[14]等似物性推荐算法的原理[15,16]在于认为前景物体之间具有可区别于背景的共同视觉特性,如外形[17]、颜色[5]、轮廓[4]等。为此,可设计一种方法从图像中有效地提取出鈳能的前景物体,生成少量的似物窗口或区域,以提高后续检测等处理的效率现有的似物性推荐算法主要分为窗口似物性打分[3,4]、层次化融合[5~7]、参数最小割[8~11]三类。窗口似物性打分的方法根据似物性分数,评估窗口内包含物体的概率由于窗口具有规则的网格结构,可借助积分图加速姒物性分数的计算,达到较高的效率。但是这种方法只能进行窗口级物体定位,具有较低...