程序是对文章《基于多目标粒子群算法的配电网储能选址定容》的方法复现，具体内容如下：以系统节点电压水平（电网脆弱性）、网络损耗以及储能系统总容量为目标建立了储能选址定容优化模型。求解过程中提出了一种改进多目标粒子群算法(improved multi—objective particle swarm optimizer，IMOPSO)。

为了更高效地完成复杂未知环境下的无人机快速探索任务，很多智能算法被应用于无人机路径规划方面的研究，但是传统粒子群算法存在粒子更新思路单一、随机性受限、收敛速度慢、 易陷入局部最优等问题，因此，需要结合无人机探索特点，将粒子群算法和遗传算法结合形成改进粒子群算法，提高算法的全局寻优能力，从而增强无人机路径规划的效率。程序采用遗传粒子群、基本粒子群和遗传算法三种算法进行路径规划，并对比优化效果，在综合

该程序参考《基于动态交通信息的电动汽车充电负荷时空分布预测》和《基于动态交通信息的电动汽车充电需求预测模型及其对配网的影响分析》文献模型，考虑私家车、出租车和共用车三类交通工具特性和移动负荷特性，实现了基于动态交通信息的电动汽车充电负荷时空分布预测。将负荷预测情况和33节点配电网络进行结合，形成交通网-配电网交互模型，采用牛拉法进行潮流计算。程序采用matlab编写，注释清晰，方便学习！很多文献都

分段函数线性化方法&matlab测试

配网重构中，很重要的一个约束条件为配网应随时保持开环、辐射的状态： 配电网系统是属于闭环设计但是开环运行的系统，因此，在开关的开闭过程中，随时保持配电网的开环状态时很重要。Mendoza等利用图论，尤其是基本环向量的方法，不仅仅有效地保持了网络的辐射性，还大大地节省了搜寻时间和空间。还有文献对如何利用基本环向量去创造可行解的规则进行了详细阐述，文 中定义了基本节点，外节点，内节点，环向量，基本支路

经过转换，深度神经网络能够以一种紧凑且高效的方式表示 Q 函数，使得智能体可以在大规模的状态和动作空间中快速学习和决策，极大地拓展了强化学习在复杂现实场景中的应用范围。借助于强化学习框架、Q 学习及 DQN 算法的基础理论，分析经验回放与冻结参数机制对 DQN 性能的提升作用，最终以经济性为导向，实现微能源网的能量管理与优化。强化学习是指从环境状态到动作策略集的学习，以使得动作从环境中获得的累计奖

该程序复现《基于阶梯碳交易的含P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度》模型，以碳交易和碳封存成本、燃煤机组启停和煤耗成本、弃风成本、购气成本之和为目标函数，考虑了功率平衡约束、电转气约束、储能储热约束、燃气锅炉约束以及碳捕集等约束，建立了含 P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度模型，程序考虑了多种算例场景，并未采用粒子群进行优化，直接采用matlab+cplex求解，实现效果较好

mosek安装教程

该程序复现SCI文献《Study on Economic Dispatch of the Combined CoolingHeating and Power Microgrid Based on Improved SparrowSearch Algorithm》，以经济成本和环保成本最小为目标，在考虑满足用户的冷热电负荷需求和各微源特性的限制前提下，考虑生物质、燃气轮机、燃气锅炉、余热锅炉、风力发

经过转换，深度神经网络能够以一种紧凑且高效的方式表示 Q 函数，使得智能体可以在大规模的状态和动作空间中快速学习和决策，极大地拓展了强化学习在复杂现实场景中的应用范围。借助于强化学习框架、Q 学习及 DQN 算法的基础理论，分析经验回放与冻结参数机制对 DQN 性能的提升作用，最终以经济性为导向，实现微能源网的能量管理与优化。强化学习是指从环境状态到动作策略集的学习，以使得动作从环境中获得的累计奖