After the First Five Years：Central Linux Support at DESY

We will describe how Linux is embedded into DESY‘s unix computing,our support concept and policies,tools used and developed,and the challenges which we are facing now that the number of supported PCs is rapidly approaching one thousand.     

培养学生自主学习数学的能力

当前中学数学课堂教学的一般模式是：在教师的引导下，对知识内容层层分解，对知识目标步步落实，其最终目标是构建牢固的基础知识和熟练的基本技能．存在的普遍问题是：重结论、轻过程；重教法、轻学法．学生缺乏自主活动的空间和时间，不能深层次参与教学过程，学生的主体地位难以体现．随着素质教育的逐渐深化，人们越来越清醒地意识到，提高教学质量的前提和中心必须是有效地改进学生的学。     

已有降维方法的推广

SAVE,PHD和SIRⅡ已被证明是有效的降维方法,这些方法基于下面的两个假设1线性条件和常数方差条件.但是,常数方差条件非常强.当常数方差不成立时,即使线性条件成立,SAVE,PHD和SIRⅡ经常会找到中心空间之外的方向.通过去掉了常数方差条件,在较弱条件下推广了SAVE,PHD和SIRⅡ从而使得在较弱的条件下,能得到中心空间的正确估计.     

基于K-means聚类算法与重心法的故障共享单车回收中心选址优化

共享单车已日渐成为人们短途出行的重要交通工具，但共享单车市场一贯采用“重投放，轻维护”的发展模式，而共享单车使用中的正常损耗及人为破坏等造成的故障车数量却十分庞大，对其回收修复或报废的任务繁重，这也成了共享单车市场逆向物流亟待解决的难题。该文立足武汉共享单车市场，通过对故障共享单车报废点的聚类分析，基于运输成本导向，使用重心法探寻回收中心最佳选址点，以解决故障共享单车回收成本和效率问题。对模型的模拟验证表明，优化后的回收中心选址点不仅能降低故障共享单车回收成本，而且相比武汉市现有的三个分布较远的回收中心，其总体运营成本更低，故障共享单车回收效率更高，便于共享单车的分区域运营管理。事实证明，基于K-means聚类算法与重心法确定回收中心选址问题不仅操作简单，可行性高，而且方便快捷，相较于现实中单一考虑成本等的选址方式，此模型更能兼顾多方面因素，优势明显。基于K-means聚类算法与重心法来确定回收中心选址，适用于城市的各个区域，选点精确又方便高效，模型具有较强的实用性。     

由完全正则半群簇的几个子簇生成的格

应用密码群并半群的一个结构定理和同余方法, 决定了一个由完全正则半群簇的以下~6 个子簇~$\{\mathcal{NOBG, ROBG, OBG, NBA, RBA, BA}\}$ 生成的格.     

Koszul微分分次模

引入了Koszul微分分次模的概念. 给定Koszul微分分次代数上的一个下有界的微分分次模, 如果这个模到平凡模的Ext-\!群是有界的分次空间, 则它必定包含一个微分分次子模, 其在适当的截断和移位下是Koszul微分分次模; 这样的模还可以通过一系列Koszul微分分次模来逼近(参见本文推论3.6). 设$A$是一个Koszul微分分次代数, $D^c(A)$是微分分次右$A$-\!模范畴的导出范畴中由对象$A_A$生成的满三角子范畴. 如果平凡微分分次模$k_A$落在范畴$D^c(A)$中, 则三角范畴$D^c(A)$的标准$t$-\!结构的中心, 作为Abel范畴, 与某个有限维代数上的有限生成模范畴对偶. 进一步, 可推得三角范畴$D^c(A)$等价于它的标准$t$-\!结构的中心的有界导出范畴.     

GaAs0.6P0.4:Te深中心的电声耦合与晶格弛豫

用DLTS技术结合光电容定态谱、瞬态谱、OITS谱研究了GaAs0.6P0.4:Te深中心的光电性质和电声耦合作用,在GaAs0.6P0.4:Te中检测到两种深中心(A和B中心),表观热激活能分别为0.20和0.40eV,光离化阀值分别为0.60和1.31eV。详细研究了B中心的特性,测量了光离化截面谱的温度关系,发现有明显的声于展宽现象和晶格弛豫效应,并在低温(90K)观察到B中心的持续光电导效应。描绘出位形坐标图,说明了实验结果,较好地描述了B中心的特性,确认B中心属于DX中心。     

广义单纯形—中心设计I_(λ-)最优观测频数的一般解析表达式

本文引进发生函数矩阵与同构向量两个概念,利用它们讨论了与Scheffè单纯形—中心设计有关的0-1矩阵的一些性质。在I_(λ-)最优观测配置的分块算法的基础上,本文给出了q分量n阶广义单纯形—中心设计I_(λ-)最优观测频数的一般解析表达式。