分析了分布式电源(DG)并入配电网后,传统的接线结构由单电源供电网络变为了多电源供电网络,改变了系统的潮流分布,继而配电网继电保护出现不协调的问题。针对DG并网后带来的误动、拒动和灵敏度降低等一系列问题,提出了一种通信式自适应电流保护方法,采用GOOSE over UDP实现信息传输并和自适应电流整定方法相结合,解决了DG接入配电网带来的问题。

该资源是最新2022年差分进化算法处理单目标优化的文章代码还原，内包含测试集CEC2005/CEC2013/CEC2017/标准测试集，其都可以采用该算法优化

用Verilog写的串口自适应的程序，可以适应在110，300，600，900，1200，2400，4800，9600，1440，19200，15600，115200等多种串口模式下实现通信，其中包括波特率发生模块，端口波特率侦测模块，老外写的，值得借鉴

为了进一步改善非线性功率放大器系统的线性度,提出了一种基于BP神经网络逆向建模的离线训练自适应预失真方法。利用BP神经网络对功放逆向建模,并将建立好的逆模型参数作为预失真器模型初值。为了提高在初始预失真系统中预失真器的线性化效果及系统自适应进程的速度,在建立自适应预失真系统之前,利用BP逆向模型对预失真器进行离线训练。最后采用直接结构和最小均方(LMS)算法调节神经网络预失真器的权值,以消除放大器非线性的扰动。仿真结果显示,此方案可使邻道互调功率降低约18 dB,而经典的直接—非直接结构只降低了8 dB,表明此预失真方案能够更好地改善功率放大器的线性度。

会议论文的MATLAB代码： MK Naik 和 R. Panda，“一种用于基于人脸识别的内在判别分析的新型自适应布谷鸟搜索算法”，Applied Soft Computing，Vol。 38，第 661-675 页，2016 年。 与 CS 算法相比，ACS 算法需要更少的时间。 除了布谷鸟/主机的数量、搜索范围和放弃概率之外，它不需要预定义的参数。 该算法对于决定参数可能会影响性能的应用是有效的。

网站源码，仅供演示学习使用，涉及商业使用请与商家联系。 ★安装环境要求★ 服务器：Windows / Linux +Apache / IIS / Nginx PHP：7.1 - 8.0 MYSQL：5.6 - 8.0 主机配置推荐： Linux+Apache+php8.0+mysql8.0 1、请将源码上传到网站根目录 2、直接运行：http://您的域名 安装即可！(建议把public设置为运行目录，更安全！) 3、填写数据库地址、名称、账号、密码，设置管理员账号及密码 4、提示安装完成后即可进入网站后台：http://您的域名/index.php/admin 5、修改完资料，后台清空缓存，前台自动更新！ 6、人人站系统安全设置建议：https://www.rrzcms.com/newsinfo/5118.html

matlab如何敲代码自适应合作PSO Matlab的自适应协同粒子群优化算法（ACPSO）算法。 抽象的 介绍了一种自适应合作粒子群优化器（ACPSO），它通过学习自动机（LA）算法为合作技术提供了便利。 ACPSO的合作学习策略可以协同优化问题，并在不同情况下对其进行评估。 在ACPSO算法中，与问题的维度相关联的一组学习自动机正试图找到搜索空间的相关变量，并智能地优化问题。 ACPSO的这种集体行为将完成群体成员自适应选择的任务。 对四种类型的基准测试服进行了仿真，这些基准测试服除了一组新的主动坐标旋转测试功能外，还包含三个最新的数值优化基准功能。 结果证明了ACPSO在寻找搜索空间相关变量方面的学习能力，并描述了ACPSO如何有效地优化了坐标旋转多峰问题，合成函数和高维多峰问题。 参考 [1] Mohammad Hasanzadeh，Mohammad Reza Meybodi和Mohammad Mehdi Ebadzadeh”，“应用情报”，2013年，第1卷。 39号2，第397-420页。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真模型及运行结果

针对机床主轴热误差补偿过程中现有建模方法的不足，提出一种新的热误差建模算法。首先应用FCM（模糊C-均值聚类）算法将众多温度测点予以分类，减少测点数量，提高测量精度；其次应用GCA（灰色关联分析）算法对同类测点的热敏感度进行排序，选出该类中的关键测点；最后以优选出的测点为输入变量，以热位移为输出变量，利用ANFIS进行热误差模型设计，并与BP算法建立的模型进行了比较。实验数据表明，该方法降低了机床热误差，具有预测精度高的优点，能较好地实现机床主轴热误差的补偿。

U-GAT-IT的官方PyTorch实施：带有自适应层实例规范化的无监督生成注意网络，用于图像到图像的转换U-GAT-IT —官方PyTorch实施：具有自适应的层实例化规范化的无监督生成注意网络，用于图像图像翻译论文| 正式的Tensorflow代码本文的结果来自Tensorflow代码U-GAT-IT：具有自适应层实例规范化的无监督生成注意网络，用于图像到图像的翻译摘要：我们提出了一种新的方法，用于无监督的图像到图像的翻译，其中包含一个新的atte