声明：对于作者的原创代码，禁止转售倒卖，违者必究！
本期代码，利用强大的python库——mealpy，实现对VMD参数的优化。
mealpy库包含了170多个智能优化算法，其中有原始算法和改进算法。关于mealpy库的详细介绍，链接在这里：https://mealpy.readthedocs.io/en/latest/
五种适应度函数分别是：最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵，关于这五种适应度函数的介绍之前已经介绍过非常多了，也可跳转以下链接查看：
①VMD为什么需要进行参数优化，最小包络熵/样本熵/排列熵/信息熵，适应度函数到底该选哪个
②运行速度终于变快了！优化VMD参数，五种适应度函数任意切换，最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵
Python代码示例：
第一步：读取数据
import scipy.io as scio
L = 1500 # 采样点数
STA = 1 # 采样起始位置
data1 = scio.loadmat('105.mat')
data2 = data1['X105_DE_time'] #取出X105_DE_time
data = data2[STA-1:STA-1+L]
采用的数据来自于凯斯西储大学（CWRU）的X105_DE_time数据，该数据是一个(N*1）的数据，这也意味着，只要你的数据是1列的即可，替换起来十分简单！
第二步：定义适应度函数
from objectfun import EnvelopeEntropyCost,SampleEntropyCost,PermutationEntropyCost,infoEntropyCost,compositeEntropyCost
#objectfun 是作者自己写的一个五种适应度函数的定义，在主程序调用此定义，可以方便调用这五种适应度函数！
#五种适应度函数分别为：最小包络熵，最小样本上，最小排列熵，最小信息熵，复合指标：排列熵/互信息
def x_EnvelopeEntropyCost(x): #定义最小包络熵
ff = EnvelopeEntropyCost(x,data)
return ff
def x_SampleEntropyCost(x): #定义最小样本熵
ff = SampleEntropyCost(x,data)
return ff
def x_PermutationEntropyCost(x): #定义最小排列熵
ff = PermutationEntropyCost(x,data)
return ff
def x_infoEntropyCost(x): #定义最小信息熵
ff = infoEntropyCost(x,data)
return ff
def x_compositeEntropyCost(x): #定义最小复合指标：排列熵/互信息
ff = compositeEntropyCost(x,data)
return ff
objectfun 是作者自己写的一个五种适应度函数的定义，在主程序调用此定义，可以方便调用这五种适应度函数！五种适应度函数分别为：最小包络熵，最小样本上，最小排列熵，最小信息熵，复合指标：排列熵/互信息。
第三步：调用mealpy库，实现对VMD参数的优化
problem_dict = {
"fit_func": x_EnvelopeEntropyCost, #只需要修改这里，即可改变适应度函数。比如改成x_SampleEntropyCost、x_PermutationEntropyCost等
"lb": [100,3], #分别对应惩罚因子alpha和模态分量K的下限
"ub": [2500,10], #分别对应惩罚因子alpha和模态分量K的上限
"minmax": "min", #说明此程序为求最小值
}
''' 调用优化算法 '''
epoch = 5 # 最大迭代次数
pop_size = 10 # 种群数量
''' 第一种方式，需：from mealpy.swarm_based import EOA,GWO '''
EOA_model = EOA.OriginalEOA(epoch, pop_size)
BBO_model = BBO.OriginalBBO(epoch, pop_size)
注意看上述代码的注释，明确写好了如何方便的修改适应度函数！
问题：如何调用不同的智能算法呢？
只需要在程序最前面调用算法名字，然后在程序替换这个算法名字即可！
比如：
from mealpy import EOA,GWO,BBO,BMO,EOA,IWO,TPO
这里直接调用算法名字，然后在程序中替换为相应算法即可！
问题：怎么知道mealpy库有哪些算法可以被调用？
也很简单，在终端输入一句指令：
打开这个位置，找到meaply文件夹，点进去：
这里边都是不同的算法，任意点击一个进去，比如我点击第一个bio_based：
可以看到算法名字都在这里啦，然后就在程序中调用这些算法就OK！
最后看一下效果吧：
示例1
这是哈里斯鹰算法(HHO)和霜冰算法(RIME)，适应度函数为最小包络熵的结果：
运行完后在命令行窗口会显示如下结果：
第一个参数为最佳的惩罚因子alpha，第二个为模态分量K。
示例2
不得不说，修改起来算法是真的很方便！
再来一个多元宇宙算法(MVO)和斑马算法(ZOA)，适应度函数为最小排列熵的结果：
拓展功能！
本期代码不仅有优化VMD参数的功能，还可以在优化完VMD参数后，将最佳参数回带至VMD中，从而绘制vmd分解图，包络线图，包络谱，频谱图，中心频率，峭度值，能量熵，样本熵，模糊熵，排列熵，近似熵，包络熵等所有功能！
比如，在示例1中，已经计算出最佳参数为：alpha = 647，K = 4。
此时直接将这两个参数回带，然后一键出图并统计各种指标。结果如下：
VMD分解图：
VMD分解三维图展示：
包络线图：
包络谱图：
峭度值图：
频谱图：
各种指标计算结果打印：
代码目录
所需包版本如下：
numpy~=1.26.3 scipy~=1.12.0 matplotlib~=3.8.2 mealpy~=2.5.3 vmdpy~=0.2 scikit-learn~=1.4.0 pandas~=2.2.0
本文代码获取链接：
https://mbd.pub/o/bread/ZZuam5hy
也可跳转二维码获取：
