粒子群算法求解电力系统环境经济调度+微电网调度（风、光、电动车、柴油机、主网）（Python代码实现）

已于 2022-10-14 11:15:37 修改
阅读量2.5k 收藏 42
点赞数 6
文章标签： 算法 python
于 2022-05-14 23:18:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46039719/article/details/124775856
版权

目录

1 电力系统环境经济调度数学模型

2 改进粒子群算法解决

2.1 知识回顾

2.2 案例1——IEEE6节点

2.3 案例2——IEEE10

2.4 案例3——IEEE40 

3 Python代码

 

1 电力系统环境经济调度数学模型

 

2 改进粒子群算法解决

2.1 知识回顾

先回顾一下相关知识点：

*智能优化算法（持续更新中......）

智能优化算法——粒子群算法（Matlab实现）

粒子群算法——Python实现

2.2 案例1——IEEE6节点

我弄成了一个文档，对应起来：

（1）IEEE

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

# ~~~~~~~~~~~~~导入相关库~~~~~~~~~~·
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
import matplotlib

matplotlib.use('TkAgg')
from tqdm import tqdm  # 进度条设置

# ~~~~~~~~~~~~~~~~~~~~~读取文件~~~~~~~~~~~~~~~~~~~~~~
file=pd.read_csv('IEEE6.csv')#机组参数
P_max = file['b']  #机组上限
P_min = file['c']  # #机组下限


# ~~~~~~~~~~~~~~~~~机组特性系数~~~~~~~~~~~~~~~~~~~~~~~~·
ai = file['d']
bi=file['e']
ci=file['f']

# ~~~~~~~排放特性系数~~~~~~~~~~~~~~~~·
ali=file['g']
beti=file['h']
gari=file['i']

# ~~~~~~~~~~~~~~~~~~~~~~~粒子群算法~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~·
class Liqun:
    def __init__(self, Pload1,  P_max,P_min,ai,bi,ci,ali,beti,gari):
        self.Pload1 = Pload1  # 负荷
        self.P_max = P_max  #机组上限
        self.P_min = P_min  #机组下限
        self.ai=ai
        self.bi=bi
        self.ci=ci
        self.ali=ali
        self.beti=beti
        self.gari=gari

        # ~~~~~~~~PSO的参数~~~~~~~~~~~~~~~·
        self.w = 1  # 惯性因子，一般取1
        self.c1 = 2  # 学习因子1，一般取2
        self.c2 = 2  # 学习因子2，一般取2
        self.m = 500  # 种群大小，即种群中小鸟的个数
        self.iter_num = 100  # 算法最大迭代次数
        self.max_vel = 0.5  # 限制粒子的最大速度为0.5
        self.min_vel = -0.5  # 限制粒子的最小速度为-0.5
        self.a1= 0.7  # 总燃料约束权重
        self.a2= 0.3  # 污染排放量权重

    # ~~~~~~~~~~~~~初始化群群体~~~~~~~~~~~~~~~·
    def InitializeX(self):
        """
    :return: 群体[G1，G2，G3，G4，G5，G6]
    """
        X = np.zeros((self.m, 6))  # 初始化群体，6代表 个机组出力
        for n in range(self.m):  # 遍历每一个粒子
            X[n, 0] = np.random.uniform(10, 125, 1)[0]  # G1
            X[n, 1] = np.random.uniform(10, 150, 1)[0]  # G2
            X[n, 2] = np.random.uniform(35, 225, 1)[0]  # G3
            X[n, 3] = np.random.uniform(35, 210, 1)[0]  # G4
            X[n, 4] = np.random.uniform(130,325, 1)[0]  # G5
            X[n, 5] = np.random.uniform(125,315, 1)[0]  # G6
        return X

    # ~~~~~~~~~~~~~~~~~~~定义目标函数、和对应的惩罚项~~~~~~~~~~~~~~~~~~~·
    # ~~~~~1 目标函数：系统运行成本~~~~~

    def function1(self, X1):
        """
        个体目标函数
        :param X1:  （个体[G1，G2，G3，G4，G5，G6]
        :return: 函数1目标函数值
        """
        SUMCOST = []  # 存储总的成本
        for i in range (5):  # 遍历每一台机组
            cost = self.ci[i] * X1[i] * X1[i] + self.bi[i]* X1[i] +self.ai[i] #
            SUMCOST.append(cost)
        return np.sum(SUMCOST)

    #~~~~~~~~~~~~~~总污染排放量~~~~~~~~~~~~··
    def function2(self, X1):
        """
        个体目标函数
        :param X1:  （个体[G1，G2，G3，G4，G5，G6]
        :return: 函数2目标函数值
        """
        emission=[] #储存总的污染排放量
        for i in range(5):
            e=ali[i]+beti[i]*X1[i]+gari[i]*X1[i]*X1[i]
            emission.append(e)
        return np.sum(emission)


    # ~~~~平衡约束~~~~~~·
    def calc_e1(self, X1):
        """
    函数1 对应的个体惩罚项
    :param X1: （个体[G1，G2，G3，G4，G5，G6]
    :return:
    """
        cost=np.abs(X1[0]+X1[1]+X1[2]+X1[3]+X1[4]+X1[5]-self.Pload1)
        return cost

    # ~~~~~~~~~~~~~~~~粒子群速度更新公式~~~~~~~~~~~~~~~~~~~·
    def velocity_update(self, V, X, pbestX, gbestX):
        """
    :param V: 群体速度
    :param X: 群体位置[G1，G2，G3，G4，G5，G6]
    :param pbestX: 种群历史最优位置
    :param gbestX: 全局最优位置
    :return:
    """
        r1 = np.random.random((self.m, 6))
        r2 = np.random.random((self.m, 6))
        V = self.w * V + self.c1 * r1 * (pbestX - X) + self.c2 * r2 * (gbestX - X)  # 直接对照公式写就好了
        # 防止越界处理
        V[V > self.max_vel] = self.max_vel
        V[V < self.min_vel] = self.min_vel
        return V

    # ~~~~~~~粒子群位置更新公式~~~~~~~~~~~~~~~·
    def position_update(self, X, V):
        """
    根据公式更新粒子的位置
    :param X: 粒子当前的位置矩阵，维度是 (self.m, 6)
    :param V: 粒子当前的速度举着，维度是 (self.m, 6)
    """
        X = X + V  # 更新位置

        for n in range(self.m):  # 遍历每一个粒子
            if X[n, 0] < 10 or X[n, 0] > 125:  # G1
                X[n, 0] = np.random.uniform(10, 125, 1)[0]  # G1
            if X[n, 1] < 10 or X[n, 1] > 150:  # G2
                X[n, 1] = np.random.uniform(10, 150, 1)[0]  # G2
            if X[n, 2] < 35 or X[n, 2] > 225:  # G3
                X[n, 2] = np.random.uniform(35, 225, 1)[0]  # G4
            if X[n, 3] < 35 or X[n, 3] > 210:  # G5
                X[n, 3] = np.random.uniform(35, 210, 1)[0]  # G8
            if X[n, 4] < 130 or X[n, 4] > 325:  # G11
                X[n, 4] = np.random.uniform(130, 325, 1)[0]  # G1
            X[n, 5] = self.Pload1 - X[n, 0] - X[n, 1] - X[n, 2] - X[n, 3] - X[
                n, 4]  # 负荷平衡得到 G13 出力
            while (X[n, 5] < 125) or (X[n, 5] > 315):  # 如果G13 上下限违规
                X[n, 0] = np.random.uniform(10, 125, 1)[0]  # G1
                X[n, 1] = np.random.uniform(10, 150, 1)[0]  # G2
                X[n, 2] = np.random.uniform(35, 225, 1)[0]  # G3
                X[n, 3] = np.random.uniform(35, 210, 1)[0]  # G4
                X[n, 4] = np.random.uniform(130, 325, 1)[0]  # G5
                X[n, 5] = self.Pload1- X[n, 0] - X[n, 1] - X[n, 2] - X[n, 3] - X[
                    n, 4]  # 负荷平衡得到 G13 出力

        return X

 （2）结果 

100%|██████████| 100/100 [00:03<00:00, 26.09it/s]
迭代最优变量是： [ 41.42608737  36.4634904  182.18059225 134.44146782 290.55563308
 314.93272908]
迭代最优目标函数1(总燃料成本）：35260.71417
迭代最优目标函数2(总污染排放量）：605.34109
迭代最优的惩罚项： 0.0

 

2.3 案例2——IEEE10

接下来是10机组有阀点效应的，有网损的。最后再来2.4节40机组的，难度慢慢加大、第3节额外加了点餐：

多目标遗传算法NSGAII求解微电网调度(风、光、电动车、柴油机、主网)【python源码实现】

（1）Python代码

# ~~~~~~~~~~~~~~~~~~~~~~~粒子群算法~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~·
class Liqun:
    def __init__(self, Pload1,  P_max,P_min,ai,bi,ci,di,ei,ali,beti,gari,eti,dali):
        self.Pload1 = Pload1  # 负荷
        self.P_max = P_max  #机组上限
        self.P_min = P_min  #机组下限
        self.ai=ai
        self.bi=bi
        self.ci=ci
        self.di=di
        self.ei=ei
        self.ali=ali
        self.beti=beti
        self.gari=gari
        self.eti=eti
        self.dali=dali
        # ~~~~~~~~PSO的参数~~~~~~~~~~~~~~~·
        self.w = 1  # 惯性因子，一般取1
        self.c1 = 2  # 学习因子1，一般取2
        self.c2 = 2  # 学习因子2，一般取2
        self.m = 500  # 种群大小，即种群中小鸟的个数
        self.iter_num = 100  # 算法最大迭代次数
        self.max_vel = 0.5  # 限制粒子的最大速度为0.5
        self.min_vel = -0.5  # 限制粒子的最小速度为-0.5
        self.a1= 0.7  # 总燃料约束权重
        self.a2= 0.3  # 污染排放量权重

    # ~~~~~~~~~~~~~初始化群群体~~~~~~~~~~~~~~~·
    def InitializeX(self):
        """
    :return: 群体[G1，G2，G3，G4，G5，G6,G7,G8,G9,G10]
    """
        X = np.zeros((self.m, 10))  # 初始化群体，6代表 个机组出力
        for n in range(self.m):  # 遍历每一个粒子
            X[n, 0] = np.random.uniform(10, 55, 1)[0]  # G1
            X[n, 1] = np.random.uniform(20, 80, 1)[0]  # G2
            X[n, 2] = np.random.uniform(47, 120, 1)[0]  # G3
            X[n, 3] = np.random.uniform(20, 130, 1)[0]  # G4
            X[n, 4] = np.random.uniform(50,160, 1)[0]  # G5
            X[n, 5] = np.random.uniform(70,240, 1)[0]  # G6
            X[n, 6] = np.random.uniform(60, 300, 1)[0]  # G7
            X[n, 7] = np.random.uniform(70, 340, 1)[0]  # G8
            X[n, 8] = np.random.uniform(130, 470, 1)[0]  # G9
            X[n, 9] = np.random.uniform(150, 470, 1)[0]  # G10
        return X

    # ~~~~~~~~~~~~~~~~~~~定义目标函数、和对应的惩罚项~~~~~~~~~~~~~~~~~~~·
    # ~~~~~1 目标函数：系统运行成本~~~~~

    def function1(self, X1):
        """
        个体目标函数
        :param X1:  （个体[G1，G2，G3，G4，G5，G6,G7,G8,G9,G10]
        :return: 函数1目标函数值
        """
        SUMCOST = []  # 存储总的成本
        for i in range (9):  # 遍历每一台机组,Python是从0开始索引，0-9：10台机组
            cost = self.ci[i] * X1[i] * X1[i] + self.bi[i]* X1[i] +self.ai[i]+\
                   np.abs(self.di[i]*np.sin(ei[i]*(self.P_min[i]-X1[i]))) #考虑阀点效应
            SUMCOST.append(cost)
        return np.sum(SUMCOST)

    #~~~~~~~~~~~~~~总污染排放量~~~~~~~~~~~~··
    def function2(self, X1):
        """
        个体目标函数
        :param X1:  （个体[G1，G2，G3，G4，G5，G6,G7,G8,G9,G10]
        :return: 函数2目标函数值
        """
        emission=[] #储存总的污染排放量
        for i in range(9):
            e=self.ali[i]+self.beti[i]*X1[i]+self.gari[i]*X1[i]*X1[i]+self.eti[i]*np.exp(self.dali[i]*X1[i])
            emission.append(e)
        return np.sum(emission)


    # ~~~~平衡约束~~~~~~·
    def calc_e1(self, X1):
        """
    函数1 对应的个体惩罚项
    :param X1: （个体[G1，G2，G3，G4，G5，G6,G7,G8,G9,G10]
    :return:
    """
        Ploss=0
        for i in range(9):
            for j in range(9):
                Ploss+=X1[i]*B[i][j]*X1[j]
        # cost=np.abs(X1[0]+X1[1]+X1[2]+X1[3]+X1[4]+X1[5]+X1[6]+X1[7]+X1[8]+X1[9]-np.sum(Ploss)-self.Pload1)
        # return cost
        return max(0,abs(sum(X1)-Ploss-Pload1-0.1))

（2）结果

100%|██████████| 100/100 [00:15<00:00,  6.64it/s]
迭代最优变量是： [ 37.64814287  22.49213541  47.1752439   28.80811605  71.07470515
 163.16909614 103.42579949 162.7489263  158.39058084 311.7171866 ]
迭代最优目标函数1(总燃料成本）：46726.82336
迭代最优目标函数2(总污染排放量）：4708365.86991

Process finished with exit code 0

2.4 案例3——IEEE40 

（1）代码

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

# ~~~~~~~~~~~~~导入相关库~~~~~~~~~~·
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
import matplotlib

matplotlib.use('TkAgg')
from tqdm import tqdm  # 进度条设置

# ~~~~~~~~~~~~~~~~~~~~~读取文件~~~~~~~~~~~~~~~~~~~~~~
file=pd.read_csv('IEEE40.csv')#机组参数
P_max = file['b']  #机组上限
P_min = file['c']  # #机组下限


# ~~~~~~~~~~~~~~~~~机组特性系数~~~~~~~~~~~~~~~~~~~~~~~~·
ai = file['d']
bi=file['e']
ci=file['f']
di=file['g']
ei=file['h']

# ~~~~~~~排放特性系数~~~~~~~~~~~~~~~~·
ali=file['g']
beti=file['h']
gari=file['i']
eti=file['l']
dali=file['m']
# ~~~~~~~~~~~~~~~~~~~~~~~粒子群算法~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~·
class Liqun:
    def __init__(self, Pload1,  P_max,P_min,ai,bi,ci,di,ei,ali,beti,gari,eti,dali):
        self.Pload1 = Pload1  # 负荷
        self.P_max = P_max  #机组上限
        self.P_min = P_min  #机组下限
        self.ai = ai
        self.bi = bi
        self.ci = ci
        self.di = di
        self.ei = ei
        self.ali = ali
        self.beti = beti
        self.gari = gari
        self.eti = eti
        self.dali = dali

        # ~~~~~~~~PSO的参数~~~~~~~~~~~~~~~·
        self.w = 1  # 惯性因子，一般取1
        self.c1 = 2  # 学习因子1，一般取2
        self.c2 = 2  # 学习因子2，一般取2
        self.m = 500  # 种群大小，即种群中小鸟的个数
        self.iter_num = 100  # 算法最大迭代次数,机组数多，可以迭代次数加大
        self.max_vel = 0.5  # 限制粒子的最大速度为0.5
        self.min_vel = -0.5  # 限制粒子的最小速度为-0.5
        self.a1= 0.4  # 总燃料约束权重
        self.a2= 0.6  # 污染排放量权重

(2)结果 

100%|██████████| 100/100 [00:30<00:00,  3.33it/s]
迭代最优变量是： [ 30.34869396  51.10965795  98.71908161  87.97301056  70.12927254
 112.97742184 109.20125594 145.88263194 140.71615841 198.74327982
 315.80318374 301.38126233 228.79039464 265.50721731 473.09954507
 196.12949192 428.10579218 455.2538421  484.26009872 287.85042829
 500.34306436 533.88884883 526.00442712 449.67581489 359.71492346
 406.90418265 102.02746082 115.54292506  95.39280101  76.10125624
  98.90489259 137.27482259 148.20881091 165.974008   178.99502653
 165.49481492  70.68453874  48.12768985  69.87007254   1.87005299]
迭代最优目标函数1(总燃料成本）：9975.28353
迭代最优目标函数2(总污染排放量）：10314225.31643

Process finished with exit code 0

3 Python代码

 

荔枝科研社
关注
  • 6
    点赞
  • 踩
  • 42
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
matlab调度算法仿真代码-microgrid-dispatch-simulator:具有分布式能源的社区微电网中的能源管理以及电力和负荷分
05-20
matlab调度算法仿真代码微电网调度模拟器 概述 该项目提供了在具有分布式能源（DER）的社区微电网中模拟能源管理和各种调度算法的工具。 主要功能是： 使用联络线偏置控制的稳态DER频率响应和有功功率共享的准静态模拟 负载的自下而上模型，其中包括电力用户的需求响应模型，可在微电网运营商施加约束的情况下优化能源和电力的使用 后退水平控制回路，用于能源管理，负载控制和功率分配 混合整数二次规划和Gurobi求解器的最优预测负载控制算法的实现 我们建议您在下面的文章中对建模进行更全面的讨论。 使用条款 该代码在MIT许可证下可用（请参阅许可证文件）。 此外，我们要求所有直接使用此代码或使用程序结构或算法的出版物引用以下论文的出版物： Lee，Jonathan T.，Anderson，Sean，Vergara，Claudio和Callaway，Duncan。 “在能量受限的微电网中，不确定性下的非侵入式负荷管理。” 电力系统研究，（正在审查中）。 贡献 该项目主要是为了支持贡献者的研究而开发的，并且将继续临时进行，直到表达出更广泛的兴趣为止。 如果您有兴趣贡献或有一个潜在的用例，可以通过该项
IEEE标准潮流计算数据（3节点~300节点全）
02-09
完整的潮流计算的ieee标准数据格式，完整的数据格式资料，并有各个节点的电路图，还有清华格式，bpa格式的完整数据，与大家分享一下！
IEEE节点系统算例数据大全
03-23
自己几年来收集的IEEE标准算例系统数据，从3节点系统一直到300节点系统。个人觉得对电力系统相关专业的研究还是很有帮助的！
IEEE6节点人工鱼群最优潮流计算
01-06
适用于电力系统分析潮流计算
标准粒子群优化算法应用于电力系统
11-25
编写的标准粒子群优化算法，可应用于各个领域。应用于电力系统较为成功。
潮流计算入门学习（IEEE6节点）（Matlab实现）
05-21
潮流计算入门学习（IEEE6节点）（Matlab实现）
粒子群算法原理
热门推荐
二郎银的博客
12-22 1万+
粒子群算法实例计算，必须弄懂！
【潮流计算】基于人工鱼群实现IEEE6节点最优潮流计算附matlab代码
m0_60703264的博客
06-08 68
提出了基于人工鱼群优化算法(AFSA)的最优潮流(OPF)计 算方法;算法结合动态调整罚函数的方式,将最优潮流问题转化为一个无约束求极值问题,有效提高了算法的全局收敛能力和计算精度.应用此算法对标准 IEEE6节点的电力系统进行最优潮流计算,仿真结果表明,该算法能够更好地获得全局最优解,具有实用意义.
计及需求侧响应日前、日内两阶段鲁棒备用优化【IEEE6节点】(Matlab代码实现）
Ke_Yan_She的博客
04-04 854
参考文献：近年来，以风电为代表的可再生能源得到了迅猛发展，目前中国已成为世界风电装机容量最大的国家。然而在目前的技术水平下，风电功率 预 测精度远低于传统电力系统负荷预测精度，风电出力的随机性与波动性对传统确定性调度方式提出了挑战。与此同时，近年来频发的自然灾害可 能 引发多个电力设备同时失效，严重情况下将导致系统失负荷。例如，2016年９月澳大利亚南部受到极端天气的影响，多 条 输 电 线 路 同 时 故 障 停 运，造 成 了900MWＭＷ 的负荷损失。
m基于自适应遗传优化的IEEE-6建设费用和网络损耗费用最小化电网规划算法matlab仿真
fpga/matlab/simulink算法仿真工程
12-05 559
目录1.算法描述2.仿真效果预览3.MATLAB核心程序4.完整MATLAB 电力工业是当今世界各国经济的重要组成部分，随着世界经济的不断发展，电网的建设和中长期规划和经济发展之间的矛盾变得越来越突出，对电力系统的需求也变得越来越大。在实际的电网建设过程中，合理的中长期的电网规划对整个区域的经济发展起到至关重要的作用。而不合理的规划不仅会增加建设成本，而且会影响整个电网运行的稳定性和可靠性。 介绍了常见的优化算法，包括线性规划，粒子群优化算法以及遗传优化算法，并提出了一种基于自适应交叉变异的遗
电力系统33节点粒子群算法。（一般用于配网重构）
06-08
33节点的辐射型电网可用的粒子群算法，通过不同的开关情况进行重构。直接运行main.m，再输入33就行了
微电网调度（风、光、蓄电池、燃油机）（Matlab代码实现）
04-14
微电网调度（风、光、蓄电池、燃油机，与主网有交换）（Matlab代码实现） 本文中的微电网包括微型燃气轮机( MT) 、燃料电池( FC) 、光伏( PV) 、风机( WT) 、蓄电池 SB) ，建立了热电联产型微电网模型，针对微电网并网运行，采用遗传算法对微电网进行多目标优化。运用以热定电的策略，首先让燃气轮机( MT) 满足用户热量的同时提供电能，再优先利用可再生能源发电，以最小化经济成本和最少环境污染物排放成本为目标函数，运用权重系数法把多目标函数变为单目标函数，结合具体算例实现微电网经济运行。
IEEE9节点系统
04-11
IEEE标准算例系统数据，个人觉得对电力系统相关专业的研究还是很有帮助的！
IEEE 各个节点的系统接线图 VISIO版本
01-07
电力系统IEEE 3、5、9、10、11、13、14、30的系统节点图（采用VISIO绘制到WORD文档里），内含接线图所对应的参数文档，图上内容可使用VISIO进行修改，方便，快捷。
遗传算法求解微电网日前调度 测试环境：MATLAB 用遗传算法求解电力系统简单日前调度问题，考虑微网发电成本的经济性，以微型燃气
07-14
用遗传算法求解电力系统简单日前调度问题，考虑微网发电成本的经济性，以微型燃气轮机发电成本、 储能运行维护成本和微网与主网之间买、卖电的交互成本为系统总成本，以电力平衡及机组运行的相关约束为模型的约束...
(文章复现)基于变异粒子群算法的主动配电网故障恢复策略matlab代码
最新发布
05-11
利用光储系统对孤岛内负荷进行可靠恢复，保证用户侧需求度高的负荷优先恢复，然后以总失电负荷最少、网损最小及开关动作次数最少为综合目标函数，运用变异粒子群算法得到孤岛与主网配合的配电网综合恢复策略，提高了...
遗传算法求解日前调度
03-12
用遗传算法求解电力系统简单日前调度问题，考虑微网发电成本的经济性，以微型燃气轮机发电成本、 储能运行维护成本和微网与主网之间买、卖电的交互成本为系统总成本，以电力平衡及机组运行的相关约束为模型的约束...
包含蓄电池储能的微网实时能量优化调度
01-13
提出一种包含蓄电池储能的微网实时能量优化调度方法。该方法将全天24 h划分为峰、平、谷3种时段，在实时...该方法不仅可实现微网的可靠、经济运行，还有助于对主网进行“削峰填谷”。算例分析验证了所提方法的有效性。
java 获取ipv4主网的随机子网段代码
06-09
以下是Java获取IPv4主网的随机子网段的代码示例： ```java import java.net.InetAddress; import java.net.UnknownHostException; import java.util.Random; public class RandomSubnet { public static void ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

荔枝科研社

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值