鲸鱼优化算法(Whale optimization algorithm, WOA)是Mirjalili根据座头鲸的捕食行为而提出来的，算法对座头鲸的狩猎行为进行模仿，通过对猎物的寻找，然后攻击进行觅食，以此来达到优化的目的，已有很多学者将算法用于实际工程问题中，今天咱们用鲸鱼优化算法优化一下VMD参数。
同样以西储大学数据集为例，选用105.mat中的X105_BA_time.mat数据中1000个数据点。没有数据的看我这篇文章。西储大学轴承诊断数据处理，matlab免费代码获取
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。至于应该选择哪种作为自己的适应度函数，大家可以看这篇文章。VMD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
1.最小包络熵作为适应度函数
2.最小样本熵作为适应度函数
3.最小信息熵作为适应度函数
扫描二维码关注公众号，回复：
15624835 查看本文章
4.最小排列熵作为适应度函数
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WOA算法优化VMD，求取VMD最佳的两个参数
clear
clc
close all
xz = 4; %xz=1 or 2, 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(6001:7000); %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WOA函数
[fMin , bestX, Convergence_curve ] = WOA(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('WOA优化VMD')
display(['The best solution obtained by WOA is : ', num2str(round(bestX))]); %输出最佳位置
display(['The best optimal value of the objective funciton found by WOA 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。
完整代码获取，点击下方卡片回复关键词：WOAVMD
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！