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 |
您所在的位置：网站首页 › 靖江高铁站规划最新消息 › 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 |
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
|
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！ |
【本文地址】
今日新闻 |
推荐新闻 |