Advertisement

基于PCCI方法的混合不确定性分析代码：利用景提出的算法处理随机与区间变量的MATLAB实现

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本简介介绍了一种基于PCCI方法开发的MATLAB代码，用于混合不确定性的分析。该代码实现了结合概率和非概率描述来评估系统性能中的随机及区间变量影响的新颖算法。 函数 [int_mean,int_std]=PCCI_regression(fun_name,a,b,k1,K1,Expansion,c,d,k2,K2,Distribution) 输入 fun_name 被调用的函数名 a 区间输入的下界向量 b 区间输入的上界向量 k1 CI展开的顺序 K1 每个区间变量的扫描（验证）点，值越大，结果越准确 切比雪夫多项式的扩展类型-“完整”或“部分” c 随机变量的均值向量 d 随机变量的标准差向量 k2 PC展开的顺序 K2 LHS采样点的级别（暂未使用） 分布目前仅包含“高斯”和“均匀”分布 输出 int_mean 一个结构体，包含响应的区间均值 int_std 包含响应区间标准差的一个结构体 例子 [int_mean,int_std]=PCCI_regression(@fun_test,[-1

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于PCCI方法的混合不确定性分析代码：利用景提出的算法处理随机与区间变量的MATLAB实现
    优质
    本简介介绍了一种基于PCCI方法开发的MATLAB代码，用于混合不确定性的分析。该代码实现了结合概率和非概率描述来评估系统性能中的随机及区间变量影响的新颖算法。 函数 [int_mean,int_std]=PCCI_regression(fun_name,a,b,k1,K1,Expansion,c,d,k2,K2,Distribution) 输入 fun_name 被调用的函数名 a 区间输入的下界向量 b 区间输入的上界向量 k1 CI展开的顺序 K1 每个区间变量的扫描（验证）点，值越大，结果越准确 切比雪夫多项式的扩展类型-“完整”或“部分” c 随机变量的均值向量 d 随机变量的标准差向量 k2 PC展开的顺序 K2 LHS采样点的级别（暂未使用） 分布目前仅包含“高斯”和“均匀”分布 输出 int_mean 一个结构体，包含响应的区间均值 int_std 包含响应区间标准差的一个结构体 例子 [int_mean,int_std]=PCCI_regression(@fun_test,[-1
     
  • Chebyshev区间包含函数：此代码适用于进行基于吴景来方法的区间不确定性分析。-matlab开发
    优质
    这段MATLAB代码实现了基于吴景来方法的Chebyshev区间包含函数，用于执行高效的区间不确定性分析，特别适合于复杂系统中的参数不确定性研究和评估。 函数 [y_lb,y_ub]=CI_reg(fun_name,a,b,k,K,Expansion) 输入: - fun_name: 被调用的函数名 - a: 区间输入的下界向量 - b: 区间输入的上界向量 - k: CI展开的顺序 - K: 每个区间变量的扫描（验证）点 - Expansion: 切比雪夫多项式的扩展类型，取值为“完整”或“部分” 输出: - y_lb: 响应下限 - y_ub: 响应上限 例子: [y_lb1,y_ub1]=CI_reg(@double_pendulum,[0.99 1.98],[1.01 2.02],4,10,full);
     
  • 水利参数分析中的GLUE不确定性方法
    优质
    本研究探讨了在水利参数分析中应用GLUE（模型不确定性的概率赋权法）的方法和效果，深入评估其在不确定性量化与管理中的作用。 针对模型参数的等效性，Beven 和 Binley (1992) 提出了普适似然不确定性估计方法（Generalized Likelihood Uncertainty Estimation, GLUE），用于分析水文数学模型预报的不确定性。具体原理可以参考相关文献。 笔者用 C++ 实现了 GLUE 算法，并通过常见的测试函数进行了验证。详细介绍可参阅本人博客中的“算法”系列文章，标题为《GLUE算法C++实现》。 版本：2022.4 版权: MIT 引用格式： 卢家波，GLUE算法C++实现. 南京：河海大学，2022.
     
  • 基于DG运行不确定性的复仿射Ybus高斯迭代区间潮流算法考量
    优质
    本文提出了一种考虑DG不确定性影响的复仿射Ybus矩阵高斯迭代区间潮流计算方法，旨在提高电力系统分析的精度和鲁棒性。 采用复仿射描述DG出力及状态变量的不确定性，并建立复仿射迭代形式的Ybus高斯区间潮流方程。提出了一种将同类噪声元合并的方法，以减少在迭代过程中新增加的噪声元素数量，从而兼顾计算效率和精度。同时提出了利用复仿射方法来计算电压幅值与相角区间的具体办法。通过IEEE 33节点系统的算例验证了所提方法的有效性和准确性。
     
  • 基于QR-SVD算法的张量CP分解-MATLAB实现：利用QR与SVD提升数值稳定性
    优质
    本研究介绍了一种基于QR-SVD算法优化张量CP分解的方法，并提供了MATLAB实现代码。此方法通过结合QR和SVD技术，显著增强了计算过程中的数值稳定性，为大数据分析提供了一个有效的工具。 svd算法的matlab代码包括cp-als-qr-svd函数，该代码基于Sandia Corporation的MATLAB Tensor Toolbox中的CP_ALS函数。引用者是Brett W. Bader、Tamara G. Kolda等人。此函数位于MATLAB Tensor Toolbox 2.6版中，在线提供，日期为2015年2月。cp_als_qr函数使用QR分解来解决CP-ALS算法中的张量CP分解问题，以提高数值稳定性。而cp_als_qr_svd函数进一步利用奇异值分解（SVD）技术提升计算的稳定性和精度。这是我在Wake Forest University计算机科学荣誉项目的一部分内容。
     
  • 采用场景法阐述分布式电源出力的不确定性
    优质
    本研究通过分析不同应用场景，探讨了分布式电源输出功率的随机性和波动性，提出了评估其不确定性的方法。 运用场景法来描述分布式电源出力的不确定性，采用Weibull分布构建风速模型，并使用Beta分布建立光照强度模型。通过分布式电源出力公式将随机问题转化为确定性问题；随后利用蒙特卡洛模拟方法进行抽样，并应用Kmeans聚类算法对样本进行分类以形成三个典型场景。有关数学模型和抽样数据的具体细节可以参考相关文献或资料。
     
  • 基于半不变量法的随机潮流计算模型与方法 (2012年)
    优质
    本文提出了一种基于半不变量法进行随机潮流计算的新模型和算法，旨在有效分析电力系统中不确定因素对潮流的影响。 本段落提出了一种基于线性化随机潮流的计算模型，在牛顿-拉夫逊法的基础上，采用半不变量方法对随机变量进行卷积运算，并使用Gram-Charlier级数展开式来求解随机变量的概率分布，进而得到节点电压的概率密度函数。通过分析节点电压概率特性为运行提供指导，并通过对IEEE-14节点系统的计算验证了该模型和方法的有效性。
     
  • 利用Python实现的混合蛙跳算法代码
    优质
    本简介提供了一段基于Python编写的混合蛙跳算法代码。该算法结合了多种优化策略，适用于解决复杂的优化问题。代码简洁高效，便于研究与应用开发。 本代码基于Python实现了基本的混合蛙跳算法实例。
     
  • 基于MATLAB的NSGAII算法代码（实数编码与整数处理）：用于混合整数非线性问题...
    优质
    本项目提供了一个基于MATLAB实现的NSGA-II算法代码，适用于解决包含连续和离散变量的混合整数非线性优化问题。该算法采用实数编码并具备有效的整数处理机制，能够高效地寻找复杂问题的多目标最优解。 NSGA-II算法的MATLAB实数编码整数处理代码能够解决混合整数非线性问题的多目标优化任务。这是Tamilselvi Selvaraj提供的免费NSGAIIMatlab代码的一个修订版本，可以用于求解带有约束条件的混合整数非线性规划问题。使用该算法已经解决了包括含有整数变量在内的若干基准问题。 操作指南：打开“NSGA_II_Abril_Test.m”文件；选择所需的测试用例（例如p=2代表ZDT1问题）；运行“NSGA_II_Abril_Test.m”。