代码构建了两阶段鲁棒优化模型，并用文档中的相对简单的算例，进行benders分解算法的验证，此篇文献是benders分解算法的入门级

“源-网-储”协调规划是提高非水可再生能源发电量占比的关键技术之一。计及非水可再生能源和负荷的时序特征，提出了基于时序生产模拟的“源-网-储”协调规划方法。在静态规划的基础上，考虑电源、网架和储能的动态运行特征，将非水可再生能源发电量占比作为约束条件以提高模型的适用性。采用多面体集合刻画非水可再生能源和负荷的不确定性，建立满足非水可再生能源发电量占比目标的两阶段鲁棒优化模型，并引入不确定性调节参数以降低决策方案的保守性。通过强对偶理论和大M法将难以直接求解的min-max-min问题转化为双层规划问题，并采用列和约束生成算法求解得到非水可再生能源和储能的多点布局方案以及线路扩展方案。以IEEE 118节点系统为算例，分析了非水可再生能源消纳目标及不确定性对规划方案的影响，结果验证了所提方法的有效性。

非线性系统设计——微分几何、自适应及鲁棒控制，马里诺（R.Marino）等著；姚郁，贺风华译；高清，带书签；非常棒的一本外国教材。

针对现有的红外与可见光图像融合算法存在融合图像的对比度与清晰度降低和细节纹理信息丢失等问题,提出将鲁棒主成分分析(RPCA)、压缩感知(CS)和非下采样轮廓波变换(NSCT)相结合的融合算法。首先对两幅源图像分别进行预增强处理,应用RPCA分解得到相应的稀疏分量和低秩分量;然后对稀疏矩阵利用结构随机矩阵压缩采样,利用高斯梯度-信息反差对比度(GG-DCI)压缩融合,经正交匹配追踪法(OMP)重构;接着对低秩矩阵采用NSCT分解成低频子带和高频子带,低频子带选用区域能量-直觉模糊集(RE-IFS)融合,最高频子带利用最大绝对值规则融合,其他高频子带选用自适应高斯区域方差融合;最后将融合后的稀疏分量和低秩分量叠加得到融合图像。实验结果表明,本文算法相比其他算法能够更好地提高融合图像的对比度和清晰度,保留了丰富的细节纹理信息,客观评价指标也总体优于现有算法,有效提升了红外与可见光图像的融合效果。

健壮性包 通过安装pip ： pip install robustness 阅读文档： : robustness是我们（在中的）创建的一个软件包，用于灵活，轻松地进行训练，评估和探索神经网络。 我们几乎在我们所有的项目中都使用了它（无论它们是否涉及对抗训练！），并且它将成为我们即将发布的许多代码版本中的依赖项。 使用该库的一些项目包括： （ ） （ ） （ ） （ ） 我们将在一组演练和我们的API参考中演示如何使用该库。 该库提供的功能包括： 使用针对各种数据集/体系结构训练和评估标准模型和健壮模型。 该库还提供添加和。 python -m robustness.main --dataset cifar --data /path/to/cifar \ --adv-train 0 --arch resnet18 --out-dir /logs/check

利用鲁棒性水印和脆弱性水印的双重嵌入的算法。

对于B站https://www.bilibili.com/video/BV19G4y1W7oQ/?vd_source=9e644f2e0e7de53e29e3dfcb4f1f16b6 内容的仿真内容。