提出一种可处理输入变量相关性的随机潮流方法。该方法基于Nataf变换和准蒙特卡洛模拟，使用奇异值分解处理对称非正定的相关系数矩阵。对IEEE 30节点系统和某实际大区域电网的仿真证明了所提方法的有效性和普适性。仿真结果表明：与传统基于Cholesky分解的排序方法相比，奇异值分解可在不增加计算代价的同时灵活处理非正定的相关系数矩阵；而相比于普通基于拉丁超立方的方法，所提方法收敛更快，相同样本规模下的计算精度更高，特别是输出变量标准差的精度。

IEEE14节点PQ分解法求解系统潮流matlab仿真，程序结构简单，仿真结果几乎与原测试数据相同。

波拉德分解算法 Pollard 分解算法的基本 python3 实现。 样品运行 python3 pollard.py 200391 100000 | vim -

建立了梯级水电站短期优化调度的数学模型，在此基础上探讨了逐次逼近(DPSA)和大系统分解协调2种降“维”算法的主要思想和实现方法，并对其进行了较深入的对比分析，认为2种算法的核心思想是相同的，都将收敛于满意优化解。决策者可根据计算精度和时间等的需要从不同优化方法中选择，以寻求满意解。最后给出了2种优化算法在工程中的算例，其结果可供实际应用参考。

用于流场大涡模拟结果的本征正交分解，提取拟序结构，

本征正交分解（POD）Matlab代码，实现对信号的本征正交分解

EEMD是针对EMD方法的不足，提出了一种噪声辅助数据分析方法。EEMD分解原理为：当附加的白噪声均匀分布在整个时频空间时，该时频空间就由滤波器组分割成的不同尺度成分组成。当信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去。当然，每个独立的测试都可能会产生非常嘈杂的结果，这是因为每个附加噪声的成分都包括了信号和附加的白噪声。既然在每个独立的测试中噪声是不同的，当使用足够测试的全体均值时，噪声将会被消除。全体的均值最后将会被认为是真正的结果，随着越来越多的测试，附加的噪声被消除了，唯一持久稳固的部分是信号本身。

该函数的调用方式如下： a = bemd(im1); im1 -> 图像 a(:,:,1) => IMF 1 a(:,:,2) => IMF 2 a(:,:,3) => IMF 3 a(:,:,4) => 残差

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

奇异值分解在图像水印算法中有着广泛的应用，但是也存在高虚警率的缺陷。讨论分析了空域和变换域中经典的奇异值分解水印算法和最近报道的基于主成分的改进算法。通过实验验证了改进算法的有效性。