近期评论区有小伙伴私信需要粒子群优化算法PSO法化VMD的，所以打算再写一篇。
与上一篇灰狼算法优化VMD相似，这篇文章也是以最小样本熵或最小包络熵为适应度函数的，好的，废话不多说，大家不懂得可以看这篇文章。灰狼优化算法GWO，优化VMD，适应度函数为最小样本熵或最小包络熵（可自行选择，代码已集成好，很方便修改）包含MATLAB源代码_今天吃饺子的博客-CSDN博客
浅浅说一嘴，粒子群的速度确实是很快的，至于精度嘛，这个还是需要大家与我之前的几篇文章对比对比了哈。
老规矩，先上结果图：
首先是以最小样本熵为适应度函数的结果图：
然后是最小包络熵为适应度函数的结果图：
上代码：
%% 以最小包络熵或最小样本熵为目标函数，采用PSO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
lb = [100 3];
ub = [2500 10];
dim = 2;
Max_iter=40; % 最大迭代数目
SearchAgents_no=15; % 种群规模
xz = 1; %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。
if xz == 1
fobj=@EnvelopeCost;
else
fobj=@SampleCost;
end
da = X105_DE_time(6001:7000); %这里选取105的DEtime数据
[gBestScore,gBest,cg_curve]=PSO(SearchAgents_no,Max_iter,lb,ub,dim,fobj,da);
%画适应度函数图
figure
plot(cg_curve,'Color',[0.9 0.5 0.1],'Marker','>','LineStyle','--','linewidth',1);
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
legend('PSO优化VMD')
display(['The best solution obtained by PSO is : ', num2str(round(gBest))]); %输出最佳位置
display(['The best optimal value of the objective funciton found by pso is : ', num2str(gBestScore)]); %输出最佳适应度值
大家注意看到xz这个变量，当选择是 xz=1，就是以最小包络熵为适应度函数，选择 xz=2，就是以最小样本熵为适应度函数。这样大家切换起来就很方便了！
完整代码获取：下方卡片回复关键词：PSOVMD
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！
