基于鲸鱼优化算法 VMD（变分模态分解）参数 `K` 和 `α` 的 Python 实现

基于鲸鱼优化算法 (Whale Optimization Algorithm, WOA)优化 VMD变分模态分解参数K和α的 Python 实现。文章目录**1. 安装依赖****2. 鲸鱼优化算法 (WOA) 核心code****3. VMD 模态分解与目标函数****4. 主程序结合 WOA 和 VMD****5. 结果说明****6. 注意**1. 安装依赖2. 主要文件结构3. 各个文件的内容WOA.py - 鲸鱼优化算法实现VMD.py - VMD 模态分解fitness_function.py - 目标函数main.py - 主程序4. 运行项目WOA 是一种元启发式优化算法可用于寻找最优的 VMD 参数组合。1. 安装依赖确保安装了必要的库pipinstallnumpy scipy matplotlib scikit-learn2. 鲸鱼优化算法 (WOA) 核心codeWOA 的核心实现代码importnumpyasnpfromscipy.optimizeimportminimize# WOA 算法实现defwhale_optimization_algorithm(objective_func,lb,ub,dim,search_agents30,max_iter100):# 初始化种群Xnp.random.uniform(lb,ub,(search_agents,dim))best_positionnp.zeros(dim)best_scorefloat(inf)fortinrange(max_iter):a2-t*(2/max_iter)# 线性递减参数 aforiinrange(search_agents):# 计算适应度fitnessobjective_func(X[i])iffitnessbest_score:best_scorefitness best_positionX[i]# 更新位置r1np.random.rand()r2np.random.rand()A2*a*r1-a C2*r2 b1# 螺旋形状参数lnp.random.uniform(-1,1)pnp.random.rand()ifp0.5:ifabs(A)1:Dabs(C*best_position-X[i])X[i]best_position-A*Delse:rand_leader_indexnp.random.randint(0,search_agents)X_randX[rand_leader_index]D_X_randabs(C*X_rand-X[i])X[i]X_rand-A*D_X_randelse:D_bestabs(best_position-X[i])X[i]D_best*np.exp(b*l)*np.cos(2*np.pi*l)best_position# 边界处理X[i]np.clip(X[i],lb,ub)returnbest_position,best_score3. VMD 模态分解与目标函数VMD 的目标是通过优化参数K和α来最小化重构误差或其他指标。我们使用scipy中的minimize函数来辅助优化并定义目标函数。fromvmdpyimportVMD# 需要安装 vmdpy 库pip install vmdpy# 目标函数基于 VMD 的重构误差defobjective_function(params,signal):K,alphaparams Kint(K)# 模态数量必须为整数alphamax(0,alpha)# 确保 α 为正数# 执行 VMD 分解try:u,u_hat,omegaVMD(signal,alphaalpha,tau0,KK,DC0,init1,tol1e-7)reconstructed_signalnp.sum(u,axis0)# 重构信号errornp.mean((signal-reconstructed_signal)**2)# 均方误差exceptException:errorfloat(inf)# 如果参数无效返回极大值returnerror4. 主程序结合 WOA 和 VMDxiamianzhege市 主程序结合 WOA 和 VMD 进行参数优化importnumpyasnpimportmatplotlib.pyplotasplt# 示例信号defgenerate_signal():tnp.linspace(0,1,500)signalnp.sin(2*np.pi*50*t)0.5*np.sin(2*np.pi*120*t)# 合成信号returnt,signalif__name____main__:# 生成信号t,signalgenerate_signal()# 定义搜索空间lb[2,0.1]# K 和 α 的下界ub[10,5000]# K 和 α 的上界dim2# 参数维度 (K 和 α)# 使用 WOA 优化 VMD 参数defwrapper(params):returnobjective_function(params,signal)best_params,best_scorewhale_optimization_algorithm(objective_funcwrapper,lblb,ubub,dimdim,search_agents20,max_iter50)# 输出优化结果K_optimal,alpha_optimalint(best_params[0]),best_params[1]print(fOptimal K:{K_optimal}, Optimal Alpha:{alpha_optimal:.2f})print(fBest Objective Score:{best_score:.4f})# 使用最优参数进行 VMD 分解u,u_hat,omegaVMD(signal,alphaalpha_optimal,tau0,KK_optimal,DC0,init1,tol1e-7)# 可视化结果plt.figure(figsize(10,6))plt.subplot(2,1,1)plt.plot(t,signal,labelOriginal Signal)plt.title(Original Signal)plt.legend()plt.subplot(2,1,2)foriinrange(K_optimal):plt.plot(t,u[i],labelfIMF{i1})plt.title(VMD Decomposition)plt.legend()plt.show()5. 结果说明优化过程WOA 会根据目标函数如均方误差调整K和α的值。最终输出优化后的K和α参数。VMD 分解使用优化后的参数对信号进行 VMD 分解得到多个固有模态函数IMFs。可视化原始信号和分解后的 IMFs。6. 注意参数范围K的取值范围通常在[2, 10]之间。α的取值范围可以根据信号特性调整。目标函数可根据具体需求修改目标函数例如使用其他性能指标如能量熵、频谱误差等。计算效率VMD 的计算复杂度较高建议在小规模数据集上测试。以上代码仅供参考。使用鲸鱼优化算法WOA来优化VMD参数的Python项目。图表展示了迭代次数与目标函数值的关系。完整的代码示例包括如何运行这个项目以及如何生成类似的图表。仅供参考。1. 安装依赖确保安装了必要的库pipinstallnumpy scipy matplotlib vmdpy2. 主要文件结构假设你的项目文件结构如下- WOA.py - VMD.py - fitness_function.py - main.py3. 各个文件的内容WOA.py- 鲸鱼优化算法实现importnumpyasnpdefwhale_optimization_algorithm(objective_func,lb,ub,dim,search_agents30,max_iter100):# 初始化种群Xnp.random.uniform(lb,ub,(search_agents,dim))best_positionnp.zeros(dim)best_scorefloat(inf)scores[]fortinrange(max_iter):a2-t*(2/max_iter)# 线性递减参数 aforiinrange(search_agents):# 计算适应度fitnessobjective_func(X[i])iffitnessbest_score:best_scorefitness best_positionX[i]# 更新位置r1np.random.rand()r2np.random.rand()A2*a*r1-a C2*r2 b1# 螺旋形状参数lnp.random.uniform(-1,1)pnp.random.rand()ifp0.5:ifabs(A)1:Dabs(C*best_position-X[i])X[i]best_position-A*Delse:rand_leader_indexnp.random.randint(0,search_agents)X_randX[rand_leader_index]D_X_randabs(C*X_rand-X[i])X[i]X_rand-A*D_X_randelse:D_bestabs(best_position-X[i])X[i]D_best*np.exp(b*l)*np.cos(2*np.pi*l)best_position# 边界处理X[i]np.clip(X[i],lb,ub)scores.append(best_score)returnbest_position,best_score,scoresVMD.py- VMD 模态分解fromvmdpyimportVMDdefvmd_decomposition(signal,K,alpha):u,u_hat,omegaVMD(signal,alphaalpha,tau0,KK,DC0,init1,tol1e-7)returnu,u_hat,omegafitness_function.py- 目标函数importnumpyasnpdefobjective_function(params,signal):K,alphaparams Kint(K)# 模态数量必须为整数alphamax(0,alpha)# 确保 α 为正数try:u,u_hat,omegavmd_decomposition(signal,K,alpha)reconstructed_signalnp.sum(u,axis0)# 重构信号errornp.mean((signal-reconstructed_signal)**2)# 均方误差exceptException:errorfloat(inf)# 如果参数无效返回极大值returnerrormain.py- 主程序importnumpyasnpimportmatplotlib.pyplotaspltfromWOAimportwhale_optimization_algorithmfromfitness_functionimportobjective_functionfromVMDimportvmd_decomposition# 示例信号defgenerate_signal():tnp.linspace(0,1,500)signalnp.sin(2*np.pi*50*t)0.5*np.sin(2*np.pi*120*t)# 合成信号returnt,signalif__name____main__:# 生成信号t,signalgenerate_signal()# 定义搜索空间lb[2,0.1]# K 和 α 的下界ub[10,5000]# K 和 α 的上界dim2# 参数维度 (K 和 α)# 使用 WOA 优化 VMD 参数defwrapper(params):returnobjective_function(params,signal)best_params,best_score,scoreswhale_optimization_algorithm(objective_funcwrapper,lblb,ubub,dimdim,search_agents20,max_iter50)# 输出优化结果K_optimal,alpha_optimalint(best_params[0]),best_params[1]print(fOptimal K:{K_optimal}, Optimal Alpha:{alpha_optimal:.2f})print(fBest Objective Score:{best_score:.4f})# 使用最优参数进行 VMD 分解u,u_hat,omegavmd_decomposition(signal,K_optimal,alpha_optimal)# 可视化结果plt.figure(figsize(10,6))plt.subplot(2,1,1)plt.plot(t,signal,labelOriginal Signal)plt.title(Original Signal)plt.legend()plt.subplot(2,1,2)foriinrange(K_optimal):plt.plot(t,u[i],labelfIMF{i1})plt.title(VMD Decomposition)plt.legend()plt.show()# 绘制迭代过程中的目标函数值plt.figure(figsize(8,6))plt.plot(scores,labelObjective Function Value)plt.xlabel(Iteration)plt.ylabel(Objective Function Value)plt.title(Convergence Curve)plt.legend()plt.show()4. 运行项目确保所有文件都在同一目录下并且已经安装了所需的库。然后在命令行中运行python main.py这将执行鲸鱼优化算法来优化VMD参数并绘制原始信号和分解后的IMFs以及收敛曲线。