麻雀算法SSA，优化VMD，适应度函数为最小包络熵，包含MATLAB源代码，直接复制粘贴！
首先声明，本篇文章直接包含所有matlab源代码，直接复制粘贴即可运行，全部都是源代码，可以自己更改的源代码！（不是.p文件！！！，浅浅痛斥一下很多文章为了盈利，还给程序加密！谴责！！）都是学生时代走过来的， 大家直接来我这里复制就行了，哪里不懂直接评论区留言，我会一一解答！
好了，废话到此为止！接下来讲正文！
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，采用麻雀优化算法（SSA）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。其他智能优化算法同样适用，关键要学会最小包络熵代码的编写，网上的五花八门，这篇文章会对最小包络熵代码进行详细注释。
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100次（自己可以随意更改寻优次数）。
可以看到寻优100次后，最小包络熵为7.4036，对应两个vmd的最佳参数为122,8，其中惩罚因子为122，模态分解数为8。
收敛曲线如下所示：
上代码！直接复制粘贴就行！一个脚本，三个函数！
首先是主函数脚本，其中 惩罚因子α的范围是[100-2500]，模态分解数K的范围是[3-10]
clear all
clc
addpath(genpath(pwd))
CostFunction=@(x) Cost(x); % 适应度函数的调用，包络熵值，详情请看Cost
%设置SSA算法的参数
Params.nVar=2; % 优化变量数目
Params.VarSize=[1 Params.nVar]; % Size of Decision Variables Matrix
Params.VarMin=[100 3]; % 下限值，分别是a,k
Params.VarMax=[2500 10]; % 上限值
Params.MaxIter=100; % 最大迭代数目
Params.nPop=10; % 种群规模
[particle3, GlobalBest3,SD,GlobalWorst3,Predator,Joiner] = Initialization(Params,CostFunction,'SSA'); %初始化SSA参数
disp(['***采用SSA算法开始寻优***'])
[GlobalBest,SSA_curve] = SSA(particle3,GlobalBest3,GlobalWorst3,SD,Predator,Joiner,Params,CostFunction); %采用SSA参数优化VMD的两个参数
fMin = GlobalBest.Cost;
bestX = GlobalBest.Position;
%画适应度函数图
figure
plot(1:Params.MaxIter,SSA_curve,'Color','r')
title('Objective space')
xlabel('Iteration');
set(gca,'xtick',0:10:Params.MaxIter);
ylabel('Best score obtained so far');
legend('SSA优化VMD')
display(['The best solution obtained by SSA is : ', num2str(round(bestX))]); %输出最佳位置
display(['The best optimal value of the objective funciton found by SSA is : ', num2str(fMin)]); %输出最佳适应度值然后是SSA的初始化脚本函数（Initialization.m），用于对SSA的粒子进行初始化的
function [particle, GlobalBest,varargout] = Initialization(Params,CostFunction,name)
nPop = Params.nPop;
VarMin = Params.VarMin;
VarMax = Params.VarMax;
VarSize = Params.VarSize;
%% Initialization
switch name
% 麻雀个体
case 'SSA'
% 捕食者个体占比
PredatorRate = 0.5;
% 警觉者占比
SDRate = 0.3;
empty_particle.Position=[];
empty_particle.Cost=[];
% 捕食者和加入者
PredatorNumber = floor(nPop * PredatorRate);
particle=repmat(empty_particle,nPop ,1);
% 警觉者
SDNumber = floor(nPop * SDRate);
SD = repmat(empty_particle,SDNumber,1);
GlobalBest.Cost=inf;
GlobalWorst.Cost = -inf;
% 初始化
disp(['***初始化***'])
for i = 1:nPop
particle(i).Position = unifrnd(VarMin,VarMax,VarSize);
particle(i).Cost = CostFunction(particle(i).Position);
if GlobalBest.Cost > particle(i).Cost
GlobalBest = particle(i);
end
if GlobalWorst.Cost < particle(i).Cost
GlobalWorst = particle(i);
end
end
% 警觉者初始化
for i = 1:SDNumber
SD(i).Position = unifrnd(VarMin,VarMax,VarSize);
SD(i).Cost = CostFunction(SD(i).Position);
end
% 挑选捕食者和加入者
[~,index] = sort([particle.Cost]);
Predator = particle(index(1:PredatorNumber));
Joiner = particle(index(PredatorNumber+1:end));
format long;
disp(['初始化后的最小包络熵为：',num2str(GlobalBest.Cost),'，初始化后的最佳参数为：[',num2str(round(GlobalBest.Position)),']'])
end
%% 输出
switch name
case 'SSA'
varargout{1} = SD;
varargout{2} = GlobalWorst;
varargout{3} = Predator;
varargout{4} = Joiner;
otherwise
% varargout{1:4} = [];
end
end接下来是SSA的脚本函数（SSA.m），也是麻雀算法的主体
function [ GlobalBest,BestCost] =SSA (particle,GlobalBest,GlobalWorst,SD,Predator,Joiner,Params,CostFunction)
MaxIter = Params.MaxIter;
nPop = Params.nPop;
VarMin = Params.VarMin;
VarMax = Params.VarMax;
VarSize = Params.VarSize;
nVar=2;%size(VarSize,2);
BestCost = zeros(1,MaxIter);
%% Main loop
for i = 1:MaxIter
for j = 1:length(Predator)
alarm = randn ;
ST = randn;
if alarm < ST
Predator(j).Position = Predator(j).Position .* exp( -j /MaxIter);
else
Predator(j).Position = Predator(j).Position + randn * ones(VarSize);
end
Predator(j).Position = max(VarMin,Predator(j).Position);
Predator(j).Position = min(VarMax,Predator(j).Position);
Predator(j).Cost = CostFunction(Predator(j).Position);
end
[~,idx] = min([Predator.Cost]);
BestPredator = Predator(idx);
% 加入者更新
for j = 1: nPop - length(Predator)
if j + length(Predator)> nPop/2
Joiner(j).Position = randn .* exp( (GlobalWorst.Position - Joiner(j).Position) / j^2);
else
A = randi([0,1],1,nVar);
A(~A) = -1;
Ahat = A' / (A * A');
Joiner(j).Position = BestPredator.Position + abs(Joiner(j).Position - BestPredator.Position) * Ahat * ones(VarSize);
end
Joiner(j).Position = max(VarMin,Joiner(j).Position);
Joiner(j).Position = min(VarMax,Joiner(j).Position);
Joiner(j).Cost = CostFunction(Joiner(j).Position);
end
% 警觉者更新
for j = 1:length(SD)
if SD(j).Cost > GlobalBest.Cost
SD(j).Position = GlobalBest.Position + randn * abs( SD(j).Position - GlobalBest.Position);
elseif SD(j).Cost == GlobalBest.Cost
SD(j).Position = SD(j).Position + (rand*2-1) * (abs( SD(j).Position - GlobalWorst.Position)./ ((SD(j).Cost - GlobalWorst.Cost) + 0.001));
end
SD(j).Position = max(VarMin,SD(j).Position);
SD(j).Position = min(VarMax,SD(j).Position);
SD(j).Cost = CostFunction(SD(j).Position);
end
% 更新
particle = [Predator;Joiner;SD];
for m = 1:length(particle)
if GlobalBest.Cost > particle(m).Cost
GlobalBest = particle(m);
end
if GlobalWorst.Cost < particle(m).Cost
GlobalWorst = particle(m);
end
end
BestCost(i) = GlobalBest.Cost;
disp(['第',num2str(i),'次寻优的最小包络熵为：',num2str(BestCost(i)),'，对应最佳参数为：[',num2str(round(GlobalBest.Position)),']'])
end
end最后是适应度函数！(Cost.m)，最小包络熵的编写就在此函数中。
function ff = Cost(c)
load 105.mat
X = X105_BA_time(1:2000); %加载西储大学数据的前2000个点
alpha = round(c(1)); % moderate bandwidth constraint：适度的带宽约束/惩罚因子
tau = 0; % noise-tolerance (no strict fidelity enforcement)：噪声容限（没有严格的保真度执行）
K = round(c(2)); % modes：分解的模态数
DC = 0; % no DC part imposed：无直流部分
init = 1; % initialize omegas uniformly ：omegas的均匀初始化
tol = 1e-7;
%--------------- Run actual VMD code:数据进行vmd分解---------------------------
[u, u_hat, omega] = VMD(X, alpha, tau, K, DC, init, tol);
for i = 1:K
xx= abs(hilbert(u(i,:))); %首先对分解得到的IMF分量进行希尔伯特变换，并求取幅值
xxx = xx/sum(xx); %
ssum=0;
for ii = 1:size(xxx,2)
bb = xxx(1,ii)*log(xxx(1,ii)); %最小包络熵的计算公式
ssum=ssum+bb; %求和运算
end
fitness(i,:) = -ssum; %记着加负号！ 也是公式的一部分
end
ff = min(fitness);
end其中VMD.m本篇文章就不再赘述，需要的小伙伴可以在我的这篇文章中直接粘贴vmd.m程序。(5条消息) VMD分解，matlab代码，包络线，包络谱，中心频率，峭度值，能量熵，近似熵，包络熵，希尔伯特变换，包含所有程序MATLAB代码，-西储大学数据集为例_今天吃饺子的博客-CSDN博客
最后祝愿各位小伙伴，所有代码永不出错！
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！