最初的以太网设计论文，由Robert M. Metcalfe和David R. Boggs完成。施乐帕洛阿尔托研究中心提供支持。

matlab程序（pso粒子群算法实现）复现自《基于改进萤火虫算法的分布式电源的选址和定容——史吏》 摘 要：针对分布式电源的选址定容问题，提出了基于自适应遗传机制的萤火虫算法。首先，设计了以 各节点电压、可接入最大功率及线路电流作为约束条件，以配电网网损最小作为目标的配电网优化模型， 其次，改进了遗传算法中交叉、变异算子公式，并提出了改进的高斯扰动方法，将两者应用到萤火虫算法中，提高了萤火虫算法全局寻优能力和收敛速度。最后，借助于 MATLAB 软件，以 IEEE33 节点系统为例进 行了测试，仿真结果与自适应遗传算法进行了比较，证明了本方法的有效性和优越性。 关键词：分布式电源；萤火虫算法；自适应遗传机制

针对具有避免冲突的多智能体系统的跟踪和形成问题，提出了一种同步分布式模型预测控制算法。 我们考虑所有智能体的确定性，线性，时不变和齐次动力学。 在同步DMPC中，所有代理都利用邻居的假定预测信息同步解决其优化问题，以获得当前的最佳输入。 考虑到每个代理的假设和实际预测信息之间存在不确定的偏差，我们有助于设计一个与偏差有关的避免碰撞约束，该约束被施加在单个优化问题中，以确保每个代理的安全性。 我们通过设计二范数形式的时变相容性约束来约束不确定性偏差，该约束被施加在个体优化问题中，在避免碰撞和指数稳定性方面都起着重要作用。 通过所提出的算法，证明了递归可行性，指数稳定性和避免碰撞的保证。 提供了一个仿真示例，以说明此方法的实用性和有效性。

etcd-cloud-operator 由一名前CoreOS工程师维护，并从为设计的的启发下，etcd-cloud-operator在云提供商上自动引导，监视，快照和恢复etcd集群。 用于代替etcd二进制文件并以最少的配置使用，操作员根据从云提供程序收集的数据和etcd群集本身的状态来处理etcd的配置和生命周期。 换句话说，操作员操作员旨在帮助人类操作员在夜间睡觉，而他们神秘的etcd数据存储即使在过程，实例，网络甚至可用性区域范围的故障中也能保持安全运行。 产品特点 调整大小：通过抽象化群集管理，可以轻松调整群集的大小，因为可以根据需要简单地缩放基础自动伸缩组。 快照：定期从每个etcd成员中捕获整个键值空间的快照，并将其上载到加密的外部存储中，以便etcd（或人工）操作员稍后在任何etcd集群中恢复存储。或实例。 故障恢复：当少数etcd成员发生故障时，受管成员会自动重新启动并重新加入集群，而不会破坏仲裁或导致明显的停机-首先，只需尝试重新加入其现有数据集，否则尝试以新成员的身份加入处于干净状态，或在必要时替换整个实例。 灾难恢复：如果由于大多数成员同时失败而导致

联合学习（PyTorch） 香草联合学习论文的实施：。 在MNIST，Fashion MNIST和CIFAR10（IID和非IID）上进行了实验。 在非IID的情况下，用户之间的数据可以相等或不相等地分割。 由于这些实验的目的是说明联合学习范例的有效性，因此仅使用诸如MLP和CNN的简单模型。 要求 从requirments.txt安装所有软件包 Python3 火炬 火炬视觉 数据 手动下载训练和测试数据集，否则它们将自动从Torchvision数据集下载。 实验在Mnist，Fashion Mnist和Cifar上进行。 要使用自己的数据集，请执行以下操作：将数据集移动到数据目录，并在pytorch数据集类上编写包装器。 运行实验 基线实验以常规方式训练模型。 要使用CPU在MLP上对MNIST运行基线实验，请执行以下操作： python src/baseline_ma

ZooKeeper Distributed process coordination

delay-queue local delayQueue implemented by JDK & two kinds of distributed delayQueue based redis 1. 基本介绍 RedisSynDelayQueue 基于redis，并发情况下会加分布式锁，单线程场景（syn=false）性能较好， 并发场景性能较差 若在并发场景下，设置syn=false，会导致消息重复消费、消息丢失的情况 支持delay时间的动态调整 RedisConcurrentDelayQueue:star: 基于redis，支持在无分布式锁的情况下进行并发消费 autoAck为true时，吞吐量性能极好，autoAck为false，吞吐量会稍有下降 支持delay时间的动态调整 autoAck为false时，必须在处理完消息后手动调用ack方法，否则会导致应用重启后重新开始消费 JDKDe

OpenTracing Java API io.opentracing/opentracing-api/0.33.0/opentracing-api-0.33.0.jar

Distribution is all you need Take-Away 笔者使用 PyTorch 编写了不同加速库在 ImageNet 上的使用示例（单机多卡），需要的同学可以当作 quickstart 将需要的部分 copy 到自己的项目中（Github 请点击下面链接）： 简单方便的 nn.DataParallel 使用 torch.distributed 加速并行训练 使用 torch.multiprocessing 取代启动器 使用 apex 再加速 horovod 的优雅实现 GPU 集群上的分布式 补充：分布式 这里，笔者记录了使用 4 块 Tesla V100-PICE 在 ImageNet 进行了运行时间的测试，测试结果发现 Apex 的加速效果最好，但与 Horovod/Distributed 差别不大，平时可以直接使用内置的 Distributed。D

文件为基于并联逆变器的下垂控制仿真电路，可以用于研究分布式电网二次控制，里面含有功率计算，下垂控制以及电压电流双环控制。一般作为研究分布式微电网的学习基础