weixin_43905651的博客

不确定性构建具有对称性，但实际情况下的不确定问题大多呈非对称性；不可能所有场景在所有时刻均达到最劣场景，该不确定性构建过于保守。针对上述问题，可以尝试改变不确定约束的构建方式。前文中，彭春华教授研究的理论 ，通过引入机会约束和置信区间，解决了上述问题。本文将继续探究别的论文对该问题的解决方式。

本文引入机会约束对目标偏差和不确定区间进行置信度评价，以置信区间代替IGDT模型中简单的对称性波动区间。随后，进行场景削减和场景聚类，将常规的多场景确定性建模拓展泛化为基于分类场景集的置信不确定性区间建模。传统的IGDT理论——将概率模型置信瞿建与IGDT的鲁棒模型结合，提出新的。整体鲁棒规划的作用：提高可再生能源消纳和减少总投资成本。补充知识点：什么是逆累积分布函数？

鲁棒：考虑最坏情况；分布：最坏情况的主体是环境参数的分布变量。从数学角度说，分布式鲁棒优化囊括随机规划和传统鲁棒优化两种形式。当分布式鲁棒优化下，环境变量的分布函数获知时，分布鲁棒优化退化为随机优化；仅知其不确定集时，退化为经典鲁棒优化。

那么按照之前的思路，在风险追求模型下，我们假设成本是减小的，即f0

IGDT 是一种研究存在严重不确定因素的决策方法，可以有效地处理不确定量的误差。其无需确定不确定量的概率分布，就可以在满足预先设置的目标前提下，优化不确定量的误差，从而确定不确定量可能对系统造成的影响。IGDT中共有两种不同的策略，一种认为不确定量不利于系统目标，会降低系统目标值，其目的是保证系统目标始终不低于设定的最差目标，称为风险规避策略;另一种则认为不确定量可以提升系统的目标值，其目的是使得系统目标有机会超过设定的积极目标值，称为机会寻求策略。...

2021年华为杯D题-大数据方向

https://zhuanlan.zhihu.com/p/49752900https://blog.youkuaiyun.com/u011561033/article/details/96895023https://blog.youkuaiyun.com/Treasureashes/article/details/118098304行生成（constraint generation）行生成，又称为“割平面法”，在线性规划中等同于约束，又称为“延迟约束生成法”。可用于求解大规模线性求解规划问题。行生成条件下，先考虑一部.

背景随着低碳转型，综合能源系统打破了各种能源之间的常规物理隔离壁垒，包括可再生能源在内的不同形式的能源在生产、传输和消费中的耦合度越来越高。如何处理可再生能源的不确定性？鲁棒规划是一种常见的处理方式。但是该方式以经济性换取了可靠性。因此提出采用机会约束规划，其作为一种随机规划方法，可以实现可靠性和经济型的权衡。三类随机规划分支1.期望值模型基于场景的随机建模:https://blog.youkuaiyun.com/qq_35957826/article/details/1197671872.机会约束

现在市面上已经存在了很多的VRP、VRPTW问题代码。但是针对EVRPTW的matlab开源代码却比较少。github上找到了一个比较相近的代码，分享如下，大家可以下载学习：https://github.com/Cruise97/multi-obj-EVRPTW-with-cooperative-task由于是短暂性的学习VRP问题，且基础较差。因此，我将对上面代码中，模拟退火算法下的EVRPTW问题进行学习，并再此基础上改动。其中SA_main_MY为主程序。关于模拟退火算法的讲解：htt

文章：基于主从博弈的社区综合能源系统分布式协同优化运行策略整体：引言-综合能源系统架构-模型-主从博弈框架-算例分析-结论。主从博弈框架:1.基本概念介绍文中的主从主体以及博弈关系，并加以表示。具体介绍文中涉及的3个要素：参与者、策略和收益。2.证明均衡解的唯一性需满足求得均衡解时，各个主体的目标值均为最大/最小。在求解Stackelberg均衡解之前，需要先证明它的存在性和唯一性，用到以下定理。证明以上三个定理，最终得出结论：本文提出的主从博弈模型，存在唯一的Stackelberg

最近在学习下面这篇文章：其算法流程图如下：如果有做电力优化或者博弈的同学可以去学习一下。由于对遗传算法不太熟悉，因此在学习中遇到了一些问题，现对其进行总结。遗传算法以下是博主看到的，关于遗传算法讲解，比较好的两篇博文：https://blog.youkuaiyun.com/tsroad/article/details/52464108https://blog.youkuaiyun.com/u010451580/article/details/51178225遗传算法的经典进化图片：主要包括选择、交叉、变

一些好文：https://zhuanlan.zhihu.com/p/390594011多属性决策采取加法或者乘法等模式，计算方案之加总价值，假设方案之价值衡量在每个属性上都是越大越好。好文：https://blog.youkuaiyun.com/qq_44431690/article/details/108198631进行信息集结的方法：加权算术平均（WAA）算法、加权几何平均（WGA）算子、有序加权平均（OWA）算法。由于不同属性指标的值大小有所不同，为了消除不同物理量纲对决策结果的影响，决策时可对.

双层规划推荐博客文章:https://blog.youkuaiyun.com/weixin_45624300/article/details/122315736多目标优化与双层规划最明显的区别：1.多目标优化的约束相同，只是目标不同2.双层规划的目标和约束都不同常见的双层规划用于Stackelberg博弈中，通常具有追随者和领导者，两者结果相互影响。求解方案：使用KKT条件，将下层目标和约束转化为约束；将双层规划转化为单目标问题。使用yalmip+cplex/gurobi等求解器进行求解。MPEC（

新建脚本，执行下述代码即可：%% installation of tbxmanager with all submodels required for MPT%clc;disp('----------------------------------------------');disp('Installation of MPT using the Toolbox manager.');disp('----------------------------------------------');

使用yalmip下的KKT命令，构建双层规划模型，在运行过程中报错如下：One of the constraints evaluates to a FALSE LOGICAL variable. Your model is infeasible为了解决这个问题，再次查询yalmip的官网网站进行问题查找，网址如下：https://yalmip.github.io/debugginginfeasible可惜的是，没有找到相关的解决方法。不过该网址仍然可以收藏，在遇到问题时查找。因此，为了再

使用matlab进行线性规划求解时，通常拥有如下的模型标准格式：同时具有对应的规划求解表达公式为：x = linprog(f,A,b)x = linprog(f,A,b,Aeq,beq)x = linprog(f,A,b,Aeq,beq,lb,ub)x = linprog(f,A,b,Aeq,beq,lb,ub,options)在求解过程中只需要把对应的f,A,b,Aeq,beq…等内容表达出来，再用上述表达公式加以求解即可。在上篇文章/使用Yalmip+matlab求解主从博弈（双层规划

yalmip官方学习网址：https://yalmip.github.io/command作为yalmip小白，本文主要根据实际代码运用，进行yalmip学习。学习以yalmip官方网站为主，其他网站和教程为辅。yalmip下的KKT使用以某电动汽车充电背景下，代理商与电动汽车车主博弈的代码为例：首先定义参数和变量%参数price_day_ahead=[0.35;0.33;0.3;0.33;0.36;0.4;0.44;0.46;0.52;0.58;0.66;0.75;0.81;0.76;.

大部分内容来自：https://www.bilibili.com/video/BV16y4y167dn概念首先，理清一个概念：yalmip是一个matlab的工具包，是一种“语言”。通过yalmip描述模型，然后再调用其他的求解器（如gurobi和cplex进行求解）。由于不同的求解器具有不同的专用语言，因此先用yalmip进行语言编译，再调用求求解器进行求解，具有极大的优势。yalmip描述模型1.定义决策变量例如：x=sdpvar（10，1）%定义实数变量intvar %定义整型.

主要针对platemo平台（进化多目标平台）下可求解优化问题类型进行汇总并介绍。小白的个人学习记录，如果错误的地方，多多见谅。内容引用的博客附在文中，有兴趣的同学可以点进链接继续学习。（如果侵权内容，联系我立马删除）所有的优化问题均具有三要素：（1）决策变量。（2）目标函数。（3）约束。单目标优化单目标优化的情况下，只有一个目标，任何两解都可以依据单一目标比较其好坏，可以得出没有争议的最优解。多目标优化多目标优化问题中，同时存在多个最大化或是最小化的目标函数，并且，这些目标函数并.

写在BLOG之前博客内容为个人学习笔记，主要来自于下面书籍：书名：编译原理作者：〔美〕Alfred　V.Aho(著)；〔美〕Ravi　Sethi(著)；〔美〕Jeffrey　D.Ullman（著）；李建中；姜守旭出版社：机械工业出版社·北京编译分为两部分：分析与综合。分析部分将源程序切分为一些基本块并形成源程序的中间表示，综合部分把源程序的中间表示转化为所需的目标程序。1.分析在分析期间，源程序所蕴含的操作被确定并表示为一个称为语法树的分层结构，节点表示操作，节点的子节点表示操作的参数。

主要参考：《数学建模算法与应用》（第三版）作者 司守奎、孙玺菁一般来说，多目标规划问题（MP）的绝对最优解是不常见的，当绝对最优解不存在时，引入非劣解或者有效解，也称为Pareto最优解。//注：帕累托最优解通常指，在其他目标解不恶化的情况下，使某一目标得到优化。在多目标规划问题中，通常不提最优解的概念，只提满意解或者有效解。1.求解有效解的集中常用方法通常在求解之前，需要对目标函数进行预处理：（1）无量纲化处理。（2）数量级的归一化处理。当每个目标函数的数量级差异较大时，容易出现大数吃