多智能体有限时间一致性算法，自己用matlab编写的，能够正常运行，可自行修改使用。 主程序部分代码： In = [Xl Xf]'; out = ode23(@ctFun, tspan, In); t = out.x; X = out.y; plot(t,X(1,:), t,X(2,:), t,X(3,:), t,X(4,:), 'linewidth',1.5); %% ODE Function function out = ctFun(~,In) global L B a = 0.5; Xl = In(1); Xf = In(2:4); v_0 = 0; dXl = v_0; delta = -(L+B)*(Xf-Xl); delta = sig(delta,a); dX = delta+ v_0; out = [dXl dX]; end 有限时间代码： function sig = sig(x,a) sig = sign(x).*abs(x).^a; end

针对具有通信时延的二阶多智能体系统的有限时间一致性控制问题，分别研究了具有固定拓扑和切换拓扑网络结构情形下的二阶多智能体系统的有限时间一致性。为使多智能体系统能在有限时间内可以达到一致，引入一致性控制增益矩阵并设计了相应的基于相对位置和相对速度的时延状态误差有限时间一致性控制算法，利用系统模型转换，泛函微分方程稳定性理论和有限时间Lyapunov稳定性定理得到了使系统在有限时间内达到一致跟踪的最大时延上界值。最后，仿真实验结果验证了所得理论的正确性和有效性。

安装sql2008时，注册表项一致性验证失败的处理方法。

DLNA ctt一致性认证测试项，认证文档，包括每个测试项，DLNA环境测试搭建，以及测试过程，还有多媒体的支持等等

Lamport Paxos 的这两篇论文真的很难懂，小编也是竭尽全力的推敲每一句话的意思，尽量的将Lamport的意思完整的呈现出来。希望大家支持一下。两篇论文大概码了3万多字，每一个公式都是手敲的… 为什么会研究Paxos？最近使用RockerMQ，发现其Broker的主从没有实现自动选主及同步，所以小编想从底层学习下RocketMQ，然后自己尝试去实现这一块。 当然这很难，也是一个挑战。 先从Paxos论文入手，后续再研究zab。 只有学会自己造轮子，才能学的更多！~

针对高风险背景下的混沌时间序列区间预测问题,首次将回声状态网络与一致性预测框架相结合,提出基于两者的混沌时间序列区间预测算法.该算法将回声状态网络的拟合能力与一致性预测区间的可靠性相结合,使得最终的预测区间包含被预测值的频率或概率可以被显著性水平参数所控制,即预测区间具有极高的可信度.同时,由于使用岭回归学习回声状态网络的输出权重,使得算法在学习阶段对样本的留一交叉估计可以被快速地计算,极大地缩短了一致性预测的学习时间.理论分析表明,所提出算法的时间复杂度等价于原始回声状态网络算法的时间复杂度,即算法具有较快的计算速度.实验表明,所提出算法能够较精确地控制预测的错误率,对噪声具有鲁棒性,且预测区间比基于高斯过程的预测区间更加准确地刻画了被预测值的波动范围.

将热轧批量计划问题作为一个约束满足问题处理,建立不确定计划数的VRPSTW约束满足模型.在求解过程中,先用约束满足的一致性技术过滤变量的值域,收缩搜索空间;然后用变量选择和值选择构造轧制计划的解.为变量赋值之后,实施约束传播,保证每块板坯只被访问一次并动态禁止子回路.在已有的解的基础上,应用基于禁忌的k-opt互换改进解的质量.数据实验证明模型和算法是有效的.

从Paxos到Zookeeper 分布式一致性原理与实践（书签版）从Paxos到Zookeeper 分布式一致性原理与实践（书签版）

提出了一种电力系统多区域分布式状态估计方法，各区域估计器利用其数据采集与监视控制系统提供的量测数据进行本地状态估计，并通过平均一致性算法获取全局信息进行系统级状态估计。建立了基于拉格朗日乘子法的状态估计模型并设计了基于一致性的全局信息交换协议，给出了多区域分布式状态估计算法的实现流程。通过IEEE 14节点和118节点系统中的仿真算例验证了所提方法的正确性和有效性，并就估计精度和计算效率与现有状态估计方法进行了比较。仿真结果表明分布式状态估计方法可有效提高集中式状态估计系统的计算效率及可靠性，适用于结构更加复杂、量测数据体量更大电网的状态估计。

平滑分类器认证稳健性的一致性正则化 (NeurIPS2020) 该存储库包含和的论文“平滑分类器的证明稳健性的一致性正则化”代码。 依存关系 conda create -n smoothing-consistency python=3 conda activate smoothing-consistency # IMPORTANT: Please make sure `pytorch != 1.4.0` # Currently, our code is not compatible to `pytorch == 1.4.0`; # See more details at `https://github.com/pytorch/pytorch/issues/32395`. # Below is for linux, with CUDA 10; see https://pytorc