
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
两阶段鲁棒优化(Two-Stage Robust Optimization, TSRO)是处理决策过程中存在不确定性的重要范式,广泛应用于网络/运输、投资组合优化及电力系统调度等领域。然而,其固有的max-min结构导致模型求解具有挑战性。列与约束生成(Column-and-Constraint Generation, C&CG)算法通过分解主问题与子问题、动态生成约束与变量,显著提升了求解效率。
两阶段鲁棒优化(Two-Stage Robust Optimization, TSRO)是处理决策过程中存在不确定性的重要范式,广泛应用于网络/运输、投资组合优化及电力系统调度等领域。然而,其固有的max-min结构导致模型求解具有挑战性。列与约束生成(Column-and-Constraint Generation, C&CG)算法通过分解主问题与子问题、动态生成约束与变量,显著提升了求解效率。
在DQN + 人工势场的避障控制中,首先根据环境信息构建人工势场,将障碍物视为斥力源,目标点视为引力源。然后,将势场信息作为DQN的输入状态之一,与原始的环境状态(如位置、速度等)一起输入到DQN网络中。DQN网络根据输入状态输出每个动作的价值,智能体根据这些价值选择最优动作进行执行。
随着可再生能源的不断发展和普及,电力系统的供需平衡问题变得越来越复杂。传统的电力系统优化调度模型通常只考虑了固定电源和负荷的情况,忽略了可再生能源的波动性和灵活性。因此,为了更好地应对可再生能源的挑战,需要研究灵活性供需平衡的电力系统优化调度模型。该模型需要考虑以下因素:1. 可再生能源的波动性和灵活性。可再生能源的产生受到天气等因素的影响,因此其产生量会出现波动。同时,可再生能源的输出也可以通过
核心概念:CVaR由Rockafellar和Uryasev于1997年提出,定义为在给定置信水平β下,损失超过风险价值(VaR)的条件期望值,即尾部风险的平均损失。其数学表达为:其中L为随机损失变量。理论优势尾部风险量化:克服VaR忽略极端损失的缺陷,更全面捕捉可再生能源出力波动、电价跳变等尾部风险。一致性风险度量:满足次可加性、凸性等公理,便于优化求解。分布无关性:不依赖正态分布假设,适用于风光
随着人工智能与自动化技术的快速发展,多智能体系统编队控制在无人机协同、无人艇集群作业等领域展现出重要应用价值。针对系统非线性输入(如执行器饱和、摩擦等)及动态环境不确定性,本文提出一种基于自适应控制算法的编队控制策略,通过在线调整控制器参数实现多智能体系统的稳定编队。研究结合Lyapunov稳定性理论设计自适应律,并利用神经网络逼近未知非线性项,解决模型不确定性问题。仿真与实验结果表明,该方法能有
随着人工智能与自动化技术的快速发展,多智能体系统编队控制在无人机协同、无人艇集群作业等领域展现出重要应用价值。针对系统非线性输入(如执行器饱和、摩擦等)及动态环境不确定性,本文提出一种基于自适应控制算法的编队控制策略,通过在线调整控制器参数实现多智能体系统的稳定编队。研究结合Lyapunov稳定性理论设计自适应律,并利用神经网络逼近未知非线性项,解决模型不确定性问题。仿真与实验结果表明,该方法能有
非支配排序遗传算法(NSGA)是一种多目标优化算法,旨在解决具有多个目标函数的优化问题。NSGA是在遗传算法的基础上发展而来的,它通过一种称为"非支配排序"的策略,将解空间中的个体分为不同的等级,并通过交叉和变异等遗传操作来搜索适应于多个目标的优质解。NSGA首先对种群中的个体进行非支配排序,即根据个体之间的优劣关系将其划分为多个不同的前沿等级。一个个体如果在某个目标函数上优于另一个个体且不劣于另
本研究聚焦于遭受拒绝服务(DoS)攻击的网络物理多智能体系统(CPS)的弹性模型预测控制问题。随着多智能体系统在众多领域的广泛应用,其面临的网络安全威胁,尤其是DoS攻击,对系统的正常运行和稳定性构成了严重挑战。本文旨在构建有效的弹性模型预测控制策略,以提高系统在DoS攻击下的性能和恢复能力,确保系统能持续稳定地运行。
目前,国内有很多学者参与了峰谷分时电价引导电动汽车用户参与有序充电的研究,文献[6]提出根据电动汽车类型的不同采用相适应的充电负荷计算方法,对电动汽车充电负荷进行较为精准的预测;文献[9]以电网峰谷差为目标函数,利用电网电价时段的划分来平抑区域配电网负荷的波动,使得电网安全稳定的运行。分析用户响应度对电动汽车有序充电的影响,建立峰谷分时电价对电动汽车负荷影响的模型,在模拟出电动汽车无序充电负荷的基