基于改进麻雀算法优化变分模态分解（IAMSSA—VMD）的信号分解方法

0、前言

        前期博文提出了融合Cat混沌映射+精英反向策略+tent扰动+柯西变异的改进麻雀优化算法（IAMSSA），本期博文将IAMSSA应用于VMD模态数K与 惩罚因子（也称平衡参数）alpha的优化，适应度函数为包络熵，以最小化包络熵为目标优化VMD的模态数K与 惩罚因子alpha。

1、优化实现

        融合Cat混沌映射+精英反向策略+tent扰动+柯西变异的改进麻雀优化算法（IAMSSA）的理论

点击。确定VMD待优化参数及范围以及改进麻雀优化算法（IAMSSA）的相关参数：

%% 设定改进的麻雀搜索算法参数
popsize =10;   % 种群大小,可更改
iter = 10;   % 最大迭代次数,可更改
dim = 2;   % VMD变量个数
lb = [100 3];   % alpha范围 K范围   下限
ub = [2000 7];  % 上限
ST = 0.6;%预警值
PD = 0.7;%发现者的比列，剩下的是加入者
SD = 0.2;%意识到有危险麻雀的比重

PDNumber = round(SearchAgents_no*PD); %发现者数量
SDNumber = round( SearchAgents_no*SD);%意识到有危险麻雀数量

        参数优化过程：

   

 进化曲线：

优化结果：

最小的局部包络熵为: 10.2873
最优参数alpha K分别为: 1.0e+03 *1.1829    0.0070
各IMF分量的包络熵分别为: 
    9.8120
    9.7683
    9.7608
    9.8388
    9.5426
    9.7379
    9.7879

  优化后的VMD分解结果：

   （1）时域分解结果

 （2）分解所得imf分量的频域分析：

 未优化VMD分解分析：

按照经验设置参数：

%% 未优化VMD分解结果
alpha=1000;  % 惩罚因子，也称平衡参数
K=5;  % 分解的模态数
tau = 0;            % 噪声容忍度
DC = 0;             % 无直流分量
init = 1;           % 初始化中心频率为均匀分布
tol = 1e-7;         % 收敛准则容忍度

（1）时域分解结果

（2）频域分析 

 

 3、代码列表