【优化调度】一致性算法求解电力系统分布式经济调度优化问题【含Matlab源码 770期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab优化求解仿真内容点击👇
Matlab优化求解（仿真科研站版）

⛄一、一致性算法简介

1 概述
分布式中的一致性可以被描述为在协作解决问题的一组操作之间达成一致的行为。随着开源分布式计算和存储平台的兴起，一致性算法已成为复制的基本工具。其中Paxos和Raft是最受欢迎的一致性算法，通过消除单点故障来提高系统的弹性。
虽然Paxos在分布式一致性方面主导着学术和商业话语，但协议本身太复杂而无法推理，因此需要更易理解的算法。研究人员对Paxos进行了广泛的研究，而Raft在工程师中非常受欢迎。Raft的受欢迎程度来自这样一个事实：尽管研究人员对Paxos感兴趣，但工程师仍然需要阅读几篇论文，以便能够理解并创建解决实际问题的解决方案，并在通信步骤方面提供良好的性能。此外，他们仍然需要填补自定义实施的一些空白，这些实施有时会变得非常脆弱。
Raft的新一致性算法，它被设计为更容易理解，并为构建实用系统提供了比Paxos更好的基础。虽然Raft为分布式系统的复杂世界带来了一些新鲜血液，但它仍然与Paxos有许多共同之处。例如，两者都要选出一位负责决定协商一致的领导者。
在这篇博文中，我们将简要介绍Paxos和Raft之间的相同点和不同点。首先，我们将描述一致的算法是什么。其次，我们将描述如何使用一致性算法的实例来构建复制解决方案。然后我们将描述如何在算法和一些安全和活跃属性中选出领导者。

2 一致性
分布式系统的特征在于一组安全性和活跃性或两者的混合。简单地讲，安全是一种财产，规定在执行程序期间不会发生任何不良事件。另一方面，活跃性规定最终会发生一些好事。
一致性的目标是使一组服务器在一个值上达成一致，所以活跃的特征在于最终每个服务器都可以决定一个值。安全性表明没有两台服务器来设定值。
不幸的是，服务器执行算法步骤可能比其他服务器花费更长时间，并且可能崩溃并停止处理一致性算法。邮件可能会延迟，无序传递或丢失。这些方面使得一致性算法的实施变得非常困难，并迫使它们在“不稳定”期间降低标准并保持安全。确切地说，当系统变得“稳定”时虽然未知，但最终它将保持足够长的“稳定”，以便一致性算法能够做出决定达成最终的一致性。
在稳定运行中，系统需要两个通信步骤：leader - （1） - > servers - （2） - > leader：

领导者向所有服务器发送它想要达成协议的值，并且每个服务器回复给领导者，通知他已经接受了请求。因此，当领导者从法定数量（n/2+1节点）的服务器接收消息时，就达成了协议。
请注意，我们在此分析中省略了两条消息：将服务器希望与领导者达成协议的值转发给服务器的消息以及通知服务器已达到该值协议的消息。如果服务器将接受消息发送到所有服务器，或者在领导者发送给服务器的下一条消息中捎带信息，则后一条消息可能不是必需的。

3 复制
为了实现复制，运行一致性算法的几个实例，并且每个实例都被限制在复制日志中的一个槽条目中，该条目可能会持久存储在磁盘上。领导者可以并行运行多个实例以填充不同的插槽，从而提高性能。但是，并行度高度依赖于硬件、使用的网络和应用程序。
每个领导者都对自己当选时增加的一轮或一个周期负有独特的责任：

4 领导人选举
Paxos和Raft都认为最终会有一个领导者，所有稳定的服务器都会信任，而一个领导者负责一个周期（Term）。如果怀疑现任领导人有问题，新领导人将提出一个新任期，必须大于前一任期。
在Raft中，服务器向其他服务器发送“领导请求”，并且在认为自己是领导者之前期望大多数服务器的回复。如果它没有得到大多数服务器的回复或者接收到另一个服务器已成为领导者的消息，它将超时并重新开始新的选举过程。服务器每个Term只能投票给一个领导者请求。
但是，Paxos并没有真正定义服务器如何成为领导者。为简单起见，研究人员利用服务器id（整数）等进程之间的先后排名。因此，没有被怀疑的排名最高或最低的服务器成为新的领导者。虽然这是一个简单直观的解决方案，但它需要在服务器之间划分术语空间：新术语=旧术语+ N，其中N是服务器的最大数量。
Raft对领导者选举过程施加限制：只有最新的服务器才能成为领导者。基本上，它保证领导者拥有以前周期中的所有已提交条目，并且不需要了解它不知道的复制日志中的旧条目。因此，在成为领导者之后，服务器可以简单地在其他服务器上“强加”其“愿望”。
然而，Paxos允许任何服务器成为领导者。因此，服务器必须在开始在其他服务器上“强加”其“愿望”之前了解过去，提高了灵活性但也伴随着额外的复杂性。

在Raft中，服务器1或服务器2可以成为领导者。而在Paxos中，任何一个都可以。

5 安全
由于系统的异步性质，服务器可能在不同时间感知故障和选举。这意味着服务器可能会以不同的方式临时运行，但最终所有服务器都会收敛到一个Term。
在任何情况下，如果服务器从比其当前版本更早的Term获得消息，则这意味着发送者要么是领导者，要么试图成为旧Term中的一个，并且接收者必须拒绝该消息并通知发送者。
如果服务器从一个大于当前的Term获得消息，这意味着有一个新Term和一个新的领导者，并且接收者必须开始接受领导者的“愿望”。
但是，两种算法都必须小心避免覆盖旧领导做出的决定，从而违反安全规定。这就是Raft和Paxos分歧的地方，我们可以看到Raft使用了简单而优雅的方法。
如上所述，Raft对领导者选举算法施加限制，只有最新的服务器才能成为领导者：
Raft通过比较日志中最后一个条目的索引和术语来确定两个日志中哪一个更新。如果日志包含具有不同术语的最后一个条目，则具有较晚术语的日志将更新。如果日志以相同的术语结束，则更长的日志更新是最新的。
然后，领导者只需要确保服务器中的复制日志最终收敛，这是通过施加以下限制来完成的：如果服务器之前没有接受插槽的值，“n"服务器不能接受插槽的值"n - 1”。领导者包括当前请求中的先前日志条目的术语，并且如果其先前请求的术语与领导者发送的术语匹配，则服务器仅接受该请求。否则，它要求领导者首先发送先前失踪的请求，如此反复"n - 2"和 "n - 3"等。
在Paxos中，任何服务器都可以成为领导者，因此避免决策不被覆盖的任务变得有点复杂，因为新的领导者必须在开始“强加”它之前找出其他服务器已处理的内容。希望“在别人身上。这是Paxos算法的准备阶段，必须在选出新领导者后运行一次。准备消息包含新术语和插槽号，“n"通过该插槽号可以达到所有先前条目的协议。服务器回复有关大于的插槽的信息"n”，此信息用于限制新领导者为这些插槽建议的值。

6 活跃度
只要大多数服务器还活着，保证n/2+1节点正常就能够提供服务。

7 结论
我们已经展示了Raft和Paxos之间的相似之处，关键的区别在于如何选出领导者并保持安全。在Raft中，只有最新的服务器才能成为领导者，而Paxos允许任何服务器成为领导者。然而，这种灵活性伴随着额外的复杂性。

⛄二、部分源代码

%邻接矩阵%
a=[0 0 0 0 0 0 0 0 0 0.5 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0.5;
0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0;
0 0 0 0.5 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
0 0 0 0 0.5 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0;
0 0 0 0 0 0 0 0 0 1/3 0 0 0 0 0 1/3 1/3 0 0 0 0 0 0 0 0 0 0 0 0;
0.25 0 0 0 0 0 0 0 0.25 0 0 0 0 0 0 0 0.25 0 0 0 0 0 0 0 0.25 0 0 0 0;
0.5 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0;
0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0;
0 0 0 0 0 1/3 1/3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/3 0;
0 0 0 0 0 0 0 1/3 0 0 0 0 0 0 0 1/3 0 0 0 1/3 0 0 0 0 0 0 0 0 0;
0 0 0 0 0 0 0 0 0.2 0 0 0 0 0 0.2 0 0.2 0 0.2 0.2 0 0 0 0 0 0 0 0 0;
0 0 0 0 0 0 0 0 0.25 0.25 0 0 0 0 0 0.25 0 0 0 0 0 0 0 0 0 0.25 0 0 0;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0.5 0 0 0;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0 0.2 0 0.2 0.2 0 0 0 0 0 0 0 0.2;
0 0 0 0 0 0 0 0.25 0 0 0 0 0 0 0.25 0.25 0 0 0.25 0 0 0 0 0 0 0 0 0 0;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/3 0 0 1/3 0 0 0 0 0 1/3 0;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.25 0 0 0 0 0 0.25 0.25 0.25;
0 0 1/3 0 0 0 0 0 0 0 0 0 1/3 0 0 0 0 0 0 0 0 0 0 1/3 0 0 0 0 0;
0 0.25 0 0 0 0 0 0 0 0 0 0.25 0 0 0 0 0 0 0 0 0 0 0.25 0 0.25 0 0 0 0;
0 0 0 0 0 0 0 0 0 1/3 0 0 0 0 0 0 0 0 0 0 0 0 0 1/3 0 1/3 0 0 0;
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.25 0.25 0 0 0 0 0 0 0.25 0 0 0 0.25;
0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0;
0 0 0 0 0 0 0.25 0 0 0 0 0 0 0.25 0 0 0 0 0 0 0.25 0.25 0 0 0 0 0 0 0;
0 0 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.25 0 0 0.25 0 0 0 0.25 0 0 0;];
%发电机%
be=[13.065 5.295 11.37 3.36 12.795 11.775 3.375 9.435 6.45 12.39];
ga=[0.0046 0.0111 0.0099 0.0095 0.0104 0.0029 0.0021 0.0062 0.0077 0.0048];
pg=[135.88 214.92 108.04 127.69 232.56 240.00 44.628 234.48 74.600 172.09];
spg=zeros(1,301);
spg(1)=sum(pg);
pgmax=2.5pg;
pgmin=-2.5pg;
li=be+2.ga.pg;
%负荷%
b=[25.755 18.42 27.63 10.59 16.275 28.365 28.14 23.55 21.42 15.225 28.56 10.305 23.94 22.05 26.25 16.455 24.375 26.295 14.76];
c=[14.02 6.25 15.1 8.42 8.1 21.21 11.9 15.96 12.75 6.9 9.75 8.23 9.28 9.49 9.1 34.08 18.36 12.39 13.04]./(-100);
pd=[110.15 176.75 109.69 75.55 120.64 80.26 142.02 88.57 100.8 132.38 175.75 75.13 154.69 139.3 172.85 28.98 79.67 127.37 67.92];
spd=zeros(1,301);
spd(1)=sum(pd);
pdmax=2.5pd;
pdmin=-2.5pd;
lj=b+2.*c.*pd;
%迭代%
l=[li lj];
ll=zeros(301,29);
ll(1,:)=l;
dp=zeros(1,301);
dp(1)=spd(1)-spg(1);

pgg=zeros(301,10);
pgg(1,:)=pg;
pdd=zeros(301,19);
pdd(1,:)=pd;

for t=1:1:300
for n=1:1:29 %更新lambda的值
if n1
ll(t+1,n)=sum(a(n,:).ll(t,:))+0.005dp(t); % 这里和矩阵相乘是一样的 a(n,:)*ll(t,:)’
elseif n11
ll(t+1,n)=sum(a(n,:).ll(t,:))+0.005dp(t);
else
ll(t+1,n)=sum(a(n,:).*ll(t,:));
end
end

for i=1:1:10 %判断pg是否越限并赋值
if (ll(t,i)-be(i))/(2ga(i))>=pgmax(i)
pgg(t+1,i)=pgmax(i);
elseif (ll(t,i)-be(i))/(2ga(i))<=pgmin(i)
pgg(t+1,i)=pgmin(i);
else
pgg(t+1,i)=(ll(t,i)-be(i))/(2*ga(i));
end
end

for j=1:1:19 %判断pd是否越限并赋值
if (ll(t,j+10)-b(j))/(2c(j))>=pdmax(j)
pdd(t+1,j)=pdmax(j);
elseif (ll(t,j+10)-b(j))/(2c(j))<=pdmin(j)
pdd(t+1,j)=pdmin(j);
else
pdd(t+1,j)=(ll(t,j+10)-b(j))/(2*c(j));
end
end
spg(t+1)=sum(pdd(t+1,:));
spd(t+1)=sum(pgg(t+1,:));
dp(t+1)=sum(pdd(t+1,:))-sum(pgg(t+1,:));
end
%绘图%
figure(1);

for j=1:1:29
plot(x,ll(:,j));hold on
end
title(‘发电机增量成本和负荷增量效益’);
xlabel(‘时间/s’);
ylabel(‘一致性变量值’);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置