蜣螂优化算法(DBO)优化VMD参数,最小包络熵、样本熵、信息熵、排列熵(适应度函数可自行选择,一键修改)MATLAB

作品简介

独家原创!倒卖必究!

蜣螂优化算法是华大学沈波教授团队,继麻雀搜索算法(Sparrow Search Algorithm,SSA)之后,于2022年11月27日又提出的一种全新的群体智能优化算法。已有很多学者将算法用于实际工程问题中,今天咱们用蜣螂优化算法优化一下VMD参数。同样以西储大学数据集为例,选用105.mat中的X105BAtime.mat数据中1000个数据点。

本代码选取四种适应度函数进行优化,以此确定VMD的最佳k和α参数。四种适应度函数分别是:最小包络熵,最小样本熵,最小信息熵,最小排列熵。

1.最小包络熵作为适应度函数

图片

图片

2.最小样本熵作为适应度函数

图片

图片

3.最小信息熵作为适应度函数

图片

图片

4.最小排列熵作为适应度函数

图片

图片

代码:

%% 淘个代码 %%
% 2023/06/25 %
%微信公众号搜索:淘个代码,获取更多免费代码
%% 以最小包络熵、最小样本熵、最小信息熵、最小排列熵为目标函数(任选其一),采用DBO算法优化VMD,求取VMD最佳的两个参数
clear all
clc
close all
xz = 1;  %xz=123 or 4, 
         %选择1,以最小包络熵为适应度函数;
         %选择2,以最小样本熵为适应度函数;
         %选择3,以最小信息熵为适应度函数;
         选择4,以最小排列熵为适应度函数。
if xz == 1  
    fobj=@EnvelopeEntropyCost;          %最小包络熵
elseif xz == 2
    fobj=@SampleEntropyCost;            %最小样本熵
elseif xz == 3
    fobj=@infoEntropyCost;              %最小信息熵
elseif xz == 4
    fobj=@PermutationEntropyCost;       %最小排列熵
end

%% 选取数据
load 105.mat
da = X105_DE_time(6001:8000); %这里选取105的DEtime数据,注意这里替换为自己的数据即可,数据形式为n行*1列,列数必须为1%% 设置参数
lb = [100 3];    %惩罚因子和K的下限
ub = [2500 10];  %惩罚因子和K的上限
dim = 2;            % 优化变量数目
Max_iter=20;       % 最大迭代数目
SearchAgents_no=25;       % 种群规模

%% 调用DBO函数
[fMin , bestX, Convergence_curve ] = DBO(SearchAgents_no,Max_iter,lb,ub,dim,fobj,da);

%% 画适应度函数曲线图,并输出最佳参数
figure
plot(Convergence_curve,'Color',[0.9 0.5 0.1],'Marker','>','LineStyle','--','linewidth',1);
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
legend('DBO优化VMD')
display(['The best solution obtained by DBO is : ', num2str(round(bestX))]);  %输出最佳位置
display(['The best optimal value of the objective funciton found by DBO is : ', num2str(fMin)]);  %输出最佳适应度值

大家注意看到xz这个变量,当选择1,以最小包络熵为适应度函数,选择2,以最小样本熵为适应度函数,选择3,以最小信息熵为适应度函数,选择4,以最小排列熵为适应度函数。这样大家切换起来就很方便了。

创作时间: