A new optimal algorithm for outerplanar graph testing.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A graph is a mathematical abstraction that is useful in solving a variety of problems. NP-complete (Non-deterministic Polynomial) problems are computational problems for which there is no known polynomial time algorithm solving them. Unfortunately, many important graph theoretic problems are known to be NP-Complete for arbitrary graph. However, for some classes of graphs, polynomial time algorithms have been discovered. Owing to this reason, it is of both theoretical and practical interest to be able to tell if a given graph belongs to one of those classes. As a result, graph recognition has received considerable attention over the last few decades. It is well known that the Hamiltonian cycle problem is NP-Complete. However, for the class of outerplanar graphs, polynomial time algorithms for the Hamiltonian cycle problem have been proposed. In this thesis, we shall first study existing outerplanarity testing algorithms, and present a new outerplanarity testing algorithm which is optimal and much simpler than existing algorithms. The new algorithm proposed in this thesis is based on the depth-first search, an ear decomposition technique and a vertex/edge absorb operation. It is conceptually simple and is easy to implement. A rigorous proof for the correctness of the new algorithm is presented and its time complexity is analyzed.Dept. of Computer Science. Paper copy at Leddy Library: Theses & Major Papers - Basement, West Bldg. / Call Number: Thesis2004 .L56. Source: Masters Abstracts International, Volume: 43-05, page: 1753. Adviser: Y. H. Tsin. Thesis (M.Sc.)--University of Windsor (Canada), 2004.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle