【文件属性】：
文件名称：matlab解决路径优化代码-ConvertChanceConstraint-ccc:ConvertChanceConstraint（ccc）
文件大小：463KB
文件格式：ZIP
更新时间：2021-05-23 09:37:16
系统开源
matlab解决路径优化代码ConvertChanceConstraint（CCC）
ConvertChanceConstraint（ccc）：用于机会约束优化的Matlab工具箱
基础信息
ConvertChanceConstraint（ccc）是基于的Matlab工具箱。
使用ccc，用户可以使用YALMIP语法来表示机会受限的优化问题，然后ccc将其转换为YALMIP和兼容的求解器可以解决的格式。
可以在中找到更多详细信息。
最新版本（进行中）
开发版本（
master分支）
建议的引文如果您发现ccc在您的工作中很有用，我们恳请您引用以下文章
@article{geng2019data,
title={Data-driven
decision
making
in
power
systems
with
probabilistic
guarantees:
Theory
and
applications
of
chance-constrained
optimization},
author={Geng,
Xinbo
and
Xie,
Le},
journal={Annual
Revi
【文件预览】：
ConvertChanceConstraint-ccc-master
----_config.yml(28B)
----.gitignore(2KB)
----README.md(3KB)
----code()
--------get_violation_prob.m(394B)
--------prob.m(2KB)
--------robust_counterpart.m(3KB)
--------get_sc_nonconvex.m(3KB)
--------get_sc_convex.m(905B)
--------+aux()
--------find_support_scenarios.m(3KB)
--------test_yalmip.m(201B)
--------calculate_sample_complexity.m(5KB)
--------sample_average_approximation.m(1KB)
--------calculate_violation_probability.m(4KB)
--------extract_data.m(396B)
--------robust_clt.m(469B)
--------estimate_violation_probability.m(2KB)
--------get_support_scenarios.m(2KB)
--------scenario_approach.m(1KB)
--------get_scenario_num_removed.m(849B)
--------get_scenario_problem_order.m(832B)
--------convex_approximation.m(2KB)
----docs()
--------00-00-content.md(368B)
--------00-21-probabilistic-point-covering.md(2KB)
--------01-00-scenario-approach.md(2KB)
--------01-01-ex-scenario-approach-ppc.md(3KB)
----examples()
--------ex_scenario_approach_ppc.m(3KB)
--------ex_generate_ccDCOPF_data.m(2KB)
--------ex_scenario_complexity.m(687B)
--------ex_case3sc.m(2KB)
--------ex_1DPC_gaussian.m(2KB)
--------ex_visualize_ccDCOP.m(2KB)
--------ex_case30.m(5KB)
--------ex_overview.m(1KB)
--------using_optimizer.m(3KB)
--------ex_overview.m~(1KB)
--------ex_case118.m(33KB)
--------ex_ccDCOPF.m(11KB)
--------ex_scenario_approach.m(3KB)
--------ex_case24_ieee_rts.m(9KB)
--------ex_extract_ccDCOPF.m(908B)
--------ex_robust_clt.m(3KB)
----LICENSE(34KB)
----extras()
--------ex_case24_ieee_rts-scenario-approach-objective.eps(42KB)
--------ex_case24_ieee_rts-robust counterpart-results-N=2048.mat(2KB)
--------plot_ccDCOPF.m(7KB)
--------plot_robust_counterpart_ccDCOPF.m(5KB)
--------ex_case24_ieee_rts-scenario-approach-epsilon.eps(30KB)
--------plot_sample_average_approx_ccDCOPF.m(4KB)
--------ex_case24_ieee_rts-scenario approach-results.mat(3KB)
--------main_analyze_ccDCOPF.m(430B)
--------plot_convex_approx.m(1KB)
--------ex_case24_ieee_rts-obj-lower-bound.mat(338B)
--------ex_case24_ieee_rts-convex approximation-type-results-N=2048.mat(2KB)
--------ex_case24_ieee_rts-sample average approximation-sampling and discarding-results-N=2048.mat(819B)
--------plot_scenario_approach_ccDCOPF.m(3KB)
----figures()
--------1d_pointcovering_feasibleregion.svg(63KB)
--------1d_pointcovering_feasibleregion.eps(25KB)
--------points_covering_formulation.png(56KB)
--------ex_scenario_approach_ppc.svg(104KB)
--------ex_scenario_approach_ppc.eps(62KB)
--------wordcloud-stochastic.png(248KB)
----results()
--------1d_pointcovering_feasibleregion.mat(11KB)