蚁群算法ACO，优化VMD，适应度函数为最小包络熵，包含MATLAB源代码

原创已于 2023-06-20 17:35:54 修改 · 952 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #算法 #数学建模 #ACOVMD #蚁群算法 #vmd优化 #最小包络熵

于 2023-06-19 00:41:38 首次发布

VMD分解专栏收录该内容

13 篇文章

订阅专栏

文章介绍了如何使用蚁群算法（ACO）来优化变密度均值分解（VMD）的两个关键参数——惩罚因子α和模态分解数K。以最小化包络熵作为适应度值，通过西储大学105.mat数据集中的X105_BA_time.mat数据进行实验，展示了30次寻优过程，最终得到最佳参数为惩罚因子657和模态分解数5，最小包络熵为7.3589。文章提供了相应的MATLAB代码示例，并给出了适应度函数的收敛曲线图。

近期评论区有小伙伴需要蚁群算法ACO优化VMD的，所以打算写一篇。

同样以西储大学数据集为例，选用105.mat中的X105_BA_time.mat数据。

首先进行VMD分解，采用蚁群优化算法（ACO）对VMD的两个关键参数（惩罚因子α和模态分解数K）进行优化，以最小包络熵为适应度值。

老规矩，先上结果图：

实验过程中，会实时显示每次寻优后的最小包络熵值和VMD对应的两个最佳参数。本次寻优共30次（自己可以随意更改寻优次数）。

可以看到寻优30次后，最小包络熵为7.3589，对应两个vmd的最佳参数为657，5，其中惩罚因子为657，模态分解数为5。

收敛曲线如下所示：

代码：

%%
%% 以最小包络熵为目标函数，采用ACO算法优化VMD，求取VMD最佳的两个参数
clear all
clc
addpath(genpath(pwd))
load 105.mat
D=2;             % 优化变量数目
popmin1 = 100;   %惩罚因子
popmax1 = 2500;
popmin2 = 3;   %模态分解K值
popmax2 = 10;

T=30;       % 最大迭代数目
N=20;       % 种群规模
y=@Cost;
da = X105_DE_time(1:2048); %这里选取105的DE数据
[AcoBest_pos,AcoBest_score,ACO_curve] = ACO(y,popmin1,popmax1,popmin2,popmax2,N,T,da);

%画适应度函数图
figure
plot(1:T,ACO_curve,'Color',[0.7 0.1 0.7],'Marker','>','LineStyle','--','linewidth',1);

title('Objective space')
xlabel('Iteration');
set(gca,'xtick',0:2:T);
ylabel('Best score obtained so far');
legend('ACO优化VMD')
display(['The best solution obtained by ACO is : ', num2str(round(AcoBest_pos))]);  %输出最佳位置
display(['The best optimal value of the objective funciton found by ACO is : ', num2str(AcoBest_score)]);  %输出最佳适应度值

完整代码获取：下方卡片回复关键词：ACOVMD

觉着不错的给博主留个小赞吧！您的一个小赞就是博主更新的动力！谢谢！