简介这份资源面向信号处理、故障诊断与算法开发方向的学习者提供用灰狼算法GWO自动优化变分模态分解VMD参数的Python实现。VMD能将非线性、非平稳信号自适应地分解为多个简谐模态但中心频率、正则化参数等选取直接影响分解质量本资源正是用GWO的全局搜索能力替代人工调参以残差平方和或均方根误差为适应度迭代寻优得到更优参数组合。压缩包共2个文件含1个py脚本与1个txt数据文件整体约628KB脚本涵盖VMD函数定义、灰狼种群初始化、等级更新与适应度评估等完整流程txt则提供可直接运行的示例信号数据。目前已有2988人学习下载读者可据此快速复现GWO-VMD流程理解参数寻优与模态分解的衔接方式并在此基础上替换自有数据、对比不同参数下的分解效果为后续信号分析与算法改进提供可复用的工具脚本与排错参考。1. 灰狼算法调 VMD 参数为什么你手动试出来的分解结果总是不对变分模态分解VMD做信号处理的人都不陌生它能把一段非平稳信号拆成若干个本征模态分量每个分量围绕一个中心频率窄带分布。但真正上手过 VMD 的人都知道它的分解效果几乎完全取决于两个参数模态数 K 和惩罚因子 α。K 选大了同一个频率成分被拆成两个模态出现模态复制K 选小了两个相邻频率成分挤在一个模态里欠分解。α 选小了模态带宽太宽噪声混进来α 选大了带宽太窄模态中心频率偏移。手动试参就是碰运气试到第五组的时候你甚至记不清第一组的效果长什么样。灰狼算法Grey Wolf OptimizerGWO是一种群智能优化算法它模拟灰狼群体的等级制度和围猎行为用 α、β、δ 三只头狼引导 ω 狼向猎物位置逼近。把 GWO 和 VMD 结合起来的思路很直接把 K 和 α 当作狼群搜索的二维位置把某种分解质量指标当作适应度函数让狼群自动找到最优参数组合。这篇要讲的就是怎么用 Python 把这条链路跑通从适应度函数怎么选、GWO 怎么改、VMD 怎么调到最终怎么验证分解结果确实比手动试参好。适合已经用过 VMD 但被调参折磨过的信号处理从业者也适合想把群智能算法落地到实际信号分解任务的人。2. GWO 与 VMD 的耦合逻辑适应度函数决定一切2.1 为什么选 GWO 而不是网格搜索或粒子群网格搜索做 VMD 参数寻优是最直觉的方案K 从 2 到 10α 从 500 到 5000步长各取一个值穷举组合。问题在于计算量。每组 (K, α) 都要跑一次完整的 VMDVMD 本身是迭代求解过程单次耗时从零点几秒到几秒不等。如果 K 取 9 个值、α 取 10 个值就是 90 次 VMD再加上每次还要算适应度总时间可能到十几分钟。如果信号长度大、采样率高这个时间还要翻倍。粒子群PSO比网格搜索快但它容易早熟收敛尤其在适应度函数地形比较平坦的时候粒子很快聚集到一个局部最优就出不来了。GWO 的优势在于它的搜索机制α、β、δ 三只头狼分别代表当前最优、次优、第三优解ω 狼的位置更新同时受这三者影响而不是只追一个全局最优。这种多引导机制让 GWO 在前期探索能力更强不容易一开始就扎进局部最优。另外 GWO 的控制参数少主要就是狼群规模 N 和最大迭代次数 MaxIter不需要像 PSO 那样调惯性权重和学习因子。我一般会这样选如果信号长度在 2000 点以内、K 的搜索范围不超过 10用 GWO 跑 30 只狼、50 次迭代总耗时大概在 2 到 5 分钟比网格搜索快一个数量级而且找到的解通常更好。如果信号特别长可以先降采样或者截取一段典型片段做参数寻优找到最优 (K, α) 之后再对完整信号做一次 VMD。2.2 适应度函数包络熵、样本熵还是重构误差GWO 优化 VMD 参数的核心在于适应度函数怎么定义。适应度函数决定了狼群往哪个方向跑选错了优化出来的参数看着指标很好实际分解结果一塌糊涂。常见的适应度函数有三类。第一类是包络熵计算每个模态分量的包络信号再求其熵值取所有模态包络熵的最小值或者均值作为适应度。包络熵越小说明模态分量的包络越稀疏、周期性越强分解效果越好。这是目前用得最多的方案适合周期性冲击信号比如轴承故障振动信号。第二类是样本熵衡量模态分量的复杂度样本熵越小说明模态越规则。第三类是重构误差计算所有模态分量之和与原信号的均方误差误差越小说明分解越完整。但重构误差有个问题K 越大重构误差天然越小因为模态多了总能拟合得更好所以单独用重构误差会倾向于选一个很大的 K导致过分解。我通常用包络熵作为主适应度同时加一个惩罚项控制 K 不要太大。具体做法是适应度 最小包络熵 λ × K其中 λ 是一个小的惩罚系数比如 0.01 到 0.05。这样既保证模态包络稀疏又不会让 K 无限制增大。如果信号是已知的合成信号比如两个正弦加一个冲击那可以直接用重构误差加模态中心频率距离作为适应度因为你知道真实成分是什么。import numpy as np from scipy.signal import hilbert from scipy.stats import entropy def envelope_entropy(modal): 计算单个模态分量的包络熵 modal: 一维数组VMD分解出的一个模态分量 # 希尔伯特变换求包络 analytic_signal hilbert(modal) envelope np.abs(analytic_signal) # 归一化避免幅值量纲影响 envelope_norm envelope / (np.sum(envelope) 1e-12) # 计算香农熵 ent entropy(envelope_norm 1e-12) return ent def fitness_function(params, signal): GWO的适应度函数 params: [K, alpha]K取整alpha取正 signal: 原始信号 K int(np.round(params[0])) alpha params[1] # 边界约束 if K 2 or K 10: return 1e6 if alpha 100 or alpha 10000: return 1e6 # 调用VMD分解 try: u, u_hat, omega VMD(signal, alpha, 0, K, 0, 1, 1e-7) except Exception: return 1e6 # 计算所有模态的包络熵取最小值 ent_list [envelope_entropy(u[i, :]) for i in range(K)] min_ent np.min(ent_list) # 加惩罚项防止K过大 penalty 0.02 * K return min_ent penalty这段代码里envelope_entropy函数先对模态做希尔伯特变换得到解析信号取模得到包络归一化后算香农熵。fitness_function接收 GWO 传来的二维参数先做边界检查超出范围直接返回一个很大的惩罚值这样狼群会自然避开这些区域。然后调用 VMD 分解计算每个模态的包络熵取最小值作为基础适应度再加上0.02 * K的惩罚项。参数1e-12是防止除零和 log 零的小量1e6是无效解的惩罚值这两个数可以根据信号幅值量级调整。2.3 GWO 的 Python 实现与参数边界设置GWO 的标准流程分四步初始化狼群位置、计算适应度并确定 α/β/δ 狼、更新 ω 狼位置、迭代直到满足停止条件。位置更新公式里有一个关键参数 A它随迭代从 2 线性降到 0A 的绝对值大于 1 时狼群倾向于探索新区域小于 1 时倾向于围猎当前最优。这个机制让 GWO 前期探索、后期开发比固定参数的 PSO 更稳。def GWO_optimize(signal, dim2, n_wolves30, max_iter50, lbNone, ubNone): GWO主循环 signal: 原始信号 dim: 优化维度这里是2K和alpha n_wolves: 狼群规模 max_iter: 最大迭代次数 lb, ub: 参数下界和上界 if lb is None: lb np.array([2, 100]) if ub is None: ub np.array([10, 10000]) # 初始化狼群位置 positions np.random.uniform(lb, ub, (n_wolves, dim)) # 适应度 fitness np.array([fitness_function(p, signal) for p in positions]) # 排序确定alpha, beta, delta狼 sorted_idx np.argsort(fitness) alpha_pos positions[sorted_idx[0]].copy() alpha_score fitness[sorted_idx[0]] beta_pos positions[sorted_idx[1]].copy() beta_score fitness[sorted_idx[1]] delta_pos positions[sorted_idx[2]].copy() delta_score fitness[sorted_idx[2]] convergence np.zeros(max_iter) for t in range(max_iter): # a从2线性降到0 a 2 - 2 * t / max_iter for i in range(n_wolves): for j in range(dim): # 围绕alpha狼 r1, r2 np.random.rand(), np.random.rand() A1 2 * a * r1 - a C1 2 * r2 D_alpha abs(C1 * alpha_pos[j] - positions[i, j]) X1 alpha_pos[j] - A1 * D_alpha # 围绕beta狼 r1, r2 np.random.rand(), np.random.rand() A2 2 * a * r1 - a C2 2 * r2 D_beta abs(C2 * beta_pos[j] - positions[i, j]) X2 beta_pos[j] - A2 * D_beta # 围绕delta狼 r1, r2 np.random.rand(), np.random.rand() A3 2 * a * r1 - a C3 2 * r2 D_delta abs(C3 * delta_pos[j] - positions[i, j]) X3 delta_pos[j] - A3 * D_delta # 三狼引导的位置更新 positions[i, j] (X1 X2 X3) / 3.0 # 边界处理 positions[i] np.clip(positions[i], lb, ub) # 计算新适应度 new_fit fitness_function(positions[i], signal) if new_fit fitness[i]: fitness[i] new_fit # 更新头狼 sorted_idx np.argsort(fitness) if fitness[sorted_idx[0]] alpha_score: alpha_pos positions[sorted_idx[0]].copy() alpha_score fitness[sorted_idx[0]] if fitness[sorted_idx[1]] beta_score: beta_pos positions[sorted_idx[1]].copy() beta_score fitness[sorted_idx[1]] if fitness[sorted_idx[2]] delta_score: delta_pos positions[sorted_idx[2]].copy() delta_score fitness[sorted_idx[2]] convergence[t] alpha_score return alpha_pos, alpha_score, convergence这段代码里lb和ub是参数搜索的上下界。K 的下界设 2 是因为 VMD 至少分解出两个模态才有意义上界设 10 是经验值一般信号分解到 10 个模态已经足够再多大概率是过分解。α 的下界设 100上界设 10000这是 VMD 常用范围太小会导致模态混叠太大则模态中心频率偏移。n_wolves30和max_iter50是平衡精度和速度的常用配置如果信号短、要求高可以加到 50 只狼、100 次迭代。a从 2 线性降到 0 是 GWO 的核心机制控制探索到开发的过渡。位置更新时对每一维分别计算三只头狼的引导项再取平均这是标准 GWO 的做法。边界处理用np.clip直接截断比反射边界更简单实际效果差别不大。3. VMD 的 Python 实现与 GWO 的对接细节3.1 VMD 核心代码从变分问题到 ADMM 求解VMD 的数学本质是构造一个变分问题把信号分解成 K 个模态每个模态围绕一个中心频率要求所有模态的带宽之和最小同时所有模态之和等于原信号。这个约束优化问题通过增广拉格朗日函数转化为无约束问题再用交替方向乘子法ADMM迭代求解。每次迭代分三步更新每个模态的频域表示、更新每个模态的中心频率、更新拉格朗日乘子。迭代到收敛或者达到最大迭代次数为止。def VMD(signal, alpha, tau, K, DC, init, tol): 变分模态分解 signal: 输入信号一维实数数组 alpha: 惩罚因子带宽约束 tau: 噪声容限对偶上升步长一般取0 K: 模态数 DC: 是否包含直流分量0或1 init: 中心频率初始化方式0全零1均匀分布2随机 tol: 收敛容差 返回: u模态分量矩阵K×Nu_hat频域omega中心频率 N len(signal) # 频域镜像延拓避免边界效应 half_N N // 2 f np.fft.fft(signal) f np.concatenate([f[:half_N], f, f[-half_N:]]) N_ext len(f) # 频率轴 freqs np.arange(N_ext) / N_ext - 0.5 - 1.0 / N_ext # 初始化模态频域表示 u_hat np.zeros((K, N_ext), dtypecomplex) # 初始化中心频率 if init 0: omega np.zeros(K) elif init 1: omega np.linspace(0, 0.5, K 1)[:-1] else: omega np.sort(np.random.rand(K) * 0.5) # 拉格朗日乘子频域 lambda_hat np.zeros(N_ext, dtypecomplex) # ADMM迭代 u_hat_prev u_hat.copy() for n in range(500): # 最大迭代次数 # 更新每个模态 for k in range(K): # 计算残差原信号减去其他模态之和 sum_other np.sum(u_hat, axis0) - u_hat[k, :] residual f - sum_other - lambda_hat / 2.0 # 更新当前模态的频域表示 denom 1.0 alpha * (freqs - omega[k]) ** 2 u_hat[k, :] residual / denom # 更新中心频率 for k in range(K): power np.abs(u_hat[k, :]) ** 2 if np.sum(power) 1e-12: omega[k] np.sum(freqs * power) / np.sum(power) # 更新拉格朗日乘子 sum_u np.sum(u_hat, axis0) lambda_hat lambda_hat tau * (f - sum_u) # 收敛判断 diff np.sum(np.abs(u_hat - u_hat_prev) ** 2) / (np.sum(np.abs(u_hat_prev) ** 2) 1e-12) if diff tol: break u_hat_prev u_hat.copy() # 频域截取回原长度 u_hat u_hat[:, half_N:half_N N] # 逆变换得到时域模态 u np.real(np.fft.ifft(u_hat, axis1)) return u, u_hat, omega这段 VMD 实现里alpha就是 GWO 要优化的惩罚因子K是模态数。tau一般取 0表示不考虑噪声容限如果信号噪声很大可以取 0.1 到 0.3。DC取 0 表示不单独提取直流分量如果信号有明显直流偏置可以取 1。init取 1 表示中心频率均匀初始化比全零初始化收敛更快。tol取 1e-7 是常用收敛容差太小会导致迭代次数过多太大则分解不充分。最大迭代次数设 500 是保险值实际大多数情况在 100 到 200 次就收敛了。频域镜像延拓是为了处理边界效应这是 VMD 标准实现里的做法不做延拓的话信号两端会出现虚假模态。3.2 把 GWO 的输出喂给 VMD参数传递与边界处理GWO 优化出来的alpha_pos是一个二维向量第一个元素是 K第二个是 α。但 GWO 是连续优化算法它输出的 K 可能是 5.3 这种小数而 VMD 要求 K 是整数。所以对接的时候要对 K 做取整处理。取整方式有两种四舍五入或者向下取整。我一般用四舍五入因为 GWO 在搜索过程中如果发现 5.3 比 5 好说明 5 和 6 之间的真实最优可能在 5 附近四舍五入到 5 更合理。但要注意取整之后适应度函数要重新算一次因为 GWO 内部算适应度的时候已经取整了但最终输出的是连续值需要再确认一次。# 假设已经跑完GWO得到最优参数 best_params, best_score, convergence GWO_optimize(signal) # 提取K和alpha K_opt int(np.round(best_params[0])) alpha_opt best_params[1] print(f最优模态数 K {K_opt}) print(f最优惩罚因子 alpha {alpha_opt:.2f}) print(f最优适应度 {best_score:.6f}) # 用最优参数做最终VMD分解 u_opt, u_hat_opt, omega_opt VMD(signal, alpha_opt, 0, K_opt, 0, 1, 1e-7) # 验证计算重构误差 reconstructed np.sum(u_opt, axis0) recon_error np.mean((signal - reconstructed) ** 2) print(f重构均方误差 {recon_error:.8f}) # 打印每个模态的中心频率 for i in range(K_opt): print(f模态 {i1} 中心频率 {omega_opt[i]:.4f})这段代码里np.round对 K 做四舍五入alpha_opt保持连续值。最终 VMD 分解用最优参数跑一次得到模态矩阵u_opt。重构误差是验证分解完整性的重要指标如果重构误差很大说明 VMD 没有收敛好或者参数有问题。中心频率可以用来判断是否过分解如果两个模态的中心频率非常接近比如相差不到 0.01那大概率是过分解了需要减小 K。如果某个模态的中心频率几乎为 0说明它可能是直流或者极低频噪声可以考虑加 DC 约束或者预处理去趋势。3.3 收敛曲线与参数搜索轨迹的解读GWO 跑完之后convergence数组记录了每次迭代的最优适应度。把这条曲线画出来能看出很多信息。如果曲线在前 10 次迭代就快速下降然后平了说明狼群很快找到了一个好的区域但也可能早熟收敛了。如果曲线一直缓慢下降到最后说明搜索空间比较大可能需要增加迭代次数。如果曲线中间有反弹说明狼群跳出了局部最优这是好事。import matplotlib.pyplot as plt plt.figure(figsize(10, 4)) plt.subplot(1, 2, 1) plt.plot(convergence, b-, linewidth1.5) plt.xlabel(迭代次数) plt.ylabel(最优适应度) plt.title(GWO收敛曲线) plt.grid(True, alpha0.3) plt.subplot(1, 2, 2) plt.plot(signal, k-, linewidth0.8, label原始信号) for i in range(K_opt): plt.plot(u_opt[i, :] np.max(np.abs(signal)) * (i 1) * 1.2, linewidth0.8, labelf模态{i1}) plt.xlabel(采样点) plt.ylabel(幅值偏移显示) plt.title(VMD分解结果) plt.legend(fontsize8) plt.tight_layout() plt.show()画图的时候原始信号和模态分量要分开显示模态分量做纵向偏移避免重叠。如果某个模态看起来就是原始信号的缩放版说明这个模态和原信号高度相关可能是欠分解。如果两个模态波形几乎一样只是幅值不同说明过分解。正常的分解结果应该是每个模态有自己独立的频率特征波形不重复。4. 避坑与排查GWO-VMD 调参中最容易翻车的五个地方4.1 适应度函数选错导致 K 无限增大现象GWO 跑完输出的 K 总是贴着上界 10不管什么信号都是 10。原因适应度函数只用了重构误差没有加 K 的惩罚项。重构误差随 K 增大单调递减K 越大拟合越好GWO 自然往大了跑。解决在适应度里加λ * K惩罚项λ 取 0.01 到 0.05。如果信号本身成分就多K 确实需要大那可以把上界提高到 15但惩罚项不能省。另一个办法是用包络熵代替重构误差包络熵对过分解更敏感K 太大时会出现模态复制包络熵反而会上升。4.2 VMD 不收敛导致适应度计算返回 NaN现象GWO 跑了几代之后适应度变成 NaN整个优化过程崩溃。原因VMD 内部 ADMM 迭代时如果 α 太小或者 K 太大分母1 alpha * (freqs - omega[k]) ** 2在某些频点接近零除法产生 Inf再传播成 NaN。解决在 VMD 函数里加保护分母加一个小量1e-12并且在fitness_function里用try-except捕获异常返回一个大的惩罚值而不是让 NaN 传播。另外 α 的下界不要设得太低100 是安全底线再低就容易出问题。4.3 狼群初始化范围不合理导致搜索效率低现象GWO 收敛曲线前 20 代几乎不下降后面才慢慢降总迭代次数不够用。原因狼群初始化范围太宽大部分狼落在远离最优的区域前期都在做无效探索。解决根据信号先验知识缩小初始化范围。如果知道信号大概有 3 到 5 个主要频率成分K 的初始化范围可以设 3 到 7而不是 2 到 10。α 的范围可以根据信号采样率和频率分辨率估算一般 1000 到 5000 覆盖大多数情况。初始化范围缩小后狼群更快聚集到有效区域收敛速度明显提升。4.4 模态中心频率接近但未合并现象分解出 6 个模态但第 3 和第 4 个模态的中心频率只差 0.005波形也很像。原因K 偏大VMD 把一个频率成分拆成了两个模态。解决在 GWO 的适应度函数里加一个中心频率距离惩罚项如果任意两个模态的中心频率距离小于阈值比如 0.01就加一个惩罚值。这样 GWO 会自动避开会产生模态复制的 K 值。另一个办法是分解完之后做后处理把中心频率接近的模态合并但这样会改变模态数不如在优化阶段就控制住。4.5 重构误差小但分解结果无物理意义现象重构误差只有 1e-8看起来分解很完美但每个模态的波形都是杂乱的高频振荡没有明显的物理含义。原因VMD 过拟合了K 太大导致每个模态只拟合了一小段噪声虽然加起来等于原信号但分解本身没有意义。解决不要只看重构误差要结合包络熵和中心频率分布综合判断。正常的分解结果应该是每个模态有清晰的中心频率和窄带特征如果模态的频谱很宽或者中心频率分布杂乱说明分解失败。另外可以在适应度里加一个模态带宽惩罚项带宽太宽的模态加惩罚。5. 用合成信号验证 GWO-VMD 的完整流程与参数敏感性分析5.1 构造一个已知成分的合成信号做基准测试验证 GWO-VMD 是否有效最可靠的办法是用合成信号。构造一个由三个不同频率正弦加一个冲击成分组成的信号你知道真实成分是什么就能判断分解结果对不对。import numpy as np # 采样参数 fs 1000 # 采样率 T 1.0 # 信号时长 t np.linspace(0, T, int(fs * T), endpointFalse) # 合成信号三个正弦 一个冲击 f1, f2, f3 50, 120, 200 # 三个频率 sig1 1.0 * np.sin(2 * np.pi * f1 * t) sig2 0.8 * np.sin(2 * np.pi * f2 * t) sig3 0.6 * np.sin(2 * np.pi * f3 * t) # 冲击成分在0.3s和0.7s处加衰减振荡 impact np.zeros_like(t) for center in [0.3, 0.7]: idx int(center * fs) decay np.exp(-30 * (t - center)) decay[t center] 0 impact 0.5 * decay * np.sin(2 * np.pi * 300 * (t - center)) signal sig1 sig2 sig3 impact # 加少量高斯噪声 signal 0.05 * np.random.randn(len(t))这个合成信号包含 50Hz、120Hz、200Hz 三个正弦成分和一个 300Hz 的衰减冲击。理论上 VMD 应该分解出 4 个模态分别对应这四个成分。如果 GWO 优化出来的 K 是 4 或者 5说明结果合理如果 K 是 8 或者 9说明过分解了。冲击成分的包络熵应该比正弦成分小因为冲击的包络更稀疏。5.2 跑通 GWO-VMD 并对比手动试参的结果用合成信号跑一遍完整的 GWO-VMD然后和手动试参的结果对比。手动试参我一般会试 K3 到 6α 取 1000、2000、3000 三档共 12 组组合记录每组的最小包络熵。# GWO自动寻优 best_params, best_score, convergence GWO_optimize( signal, dim2, n_wolves30, max_iter50, lbnp.array([2, 100]), ubnp.array([10, 10000]) ) K_opt int(np.round(best_params[0])) alpha_opt best_params[1] print(fGWO最优: K{K_opt}, alpha{alpha_opt:.1f}, fitness{best_score:.6f}) # 手动试参对比 manual_results [] for K_test in [3, 4, 5, 6]: for alpha_test in [1000, 2000, 3000]: u_test, _, _ VMD(signal, alpha_test, 0, K_test, 0, 1, 1e-7) ent_list [envelope_entropy(u_test[i, :]) for i in range(K_test)] min_ent np.min(ent_list) manual_results.append((K_test, alpha_test, min_ent)) # 找手动试参的最优 manual_best min(manual_results, keylambda x: x[2]) print(f手动最优: K{manual_best[0]}, alpha{manual_best[1]}, fitness{manual_best[2]:.6f})跑完之后对比两个结果。如果 GWO 找到的适应度比手动最优更低说明 GWO 确实有效。如果 GWO 找到的 K 和手动最优的 K 一致但 α 不同说明 α 的搜索空间比手动试参更细。如果 GWO 找到的 K 比手动最优大很多那要检查适应度函数是不是没有惩罚项或者惩罚系数太小。5.3 参数敏感性K 和 α 各自对分解结果的影响理解 K 和 α 各自的作用对调参和排查问题很重要。K 主要影响模态数量K 增大时每个模态的频带变窄中心频率分布更密。α 主要影响模态带宽α 增大时每个模态的带宽变窄模态之间的频率重叠减少但 α 太大时模态中心频率会偏移甚至出现虚假模态。参数增大时的影响过大的后果过小的后果K模态数增多频带变窄过分解模态复制欠分解频率混叠α模态带宽变窄频率分辨率提高中心频率偏移虚假模态模态混叠噪声混入从表中可以看出K 和 α 的作用有重叠也有区别。K 是从数量上拆分α 是从带宽上约束。实际调参时先确定 K 的大致范围再在这个范围内优化 α比同时搜两个参数更高效。GWO 同时搜两个参数的好处是能捕捉到 K 和 α 之间的耦合关系比如 K 较大时需要较小的 α 来避免过窄的带宽导致虚假模态。5.4 从收敛曲线判断是否需要调整 GWO 配置收敛曲线是 GWO 运行状态的直接反映。如果曲线在 10 代以内就平了而且最终适应度比手动试参还差说明狼群规模不够或者初始化范围太窄。可以把n_wolves从 30 加到 50或者把初始化范围放宽。如果曲线一直下降到最后一 代还没有平的趋势说明max_iter不够加到 100 或者 150。如果曲线中间有大幅反弹然后继续下降说明 GWO 跳出了局部最优这是正常现象不用调整。我一般会跑三次 GWO每次用不同的随机种子看三次的最优适应度是否接近。如果三次结果差异很大说明搜索空间地形复杂需要增加狼群规模或者迭代次数。如果三次结果几乎一样说明找到的是稳定最优可以信任。这个习惯帮我避免了很多次因为单次随机结果不好而误判算法效果的情况。5.5 一个实用技巧用 GWO 的中间结果缩小搜索范围GWO 跑完一次之后除了拿到最优参数还能拿到整个搜索过程中狼群访问过的位置。把这些位置和对应的适应度画成散点图能看出适应度地形的形状。如果最优区域集中在某个小范围内下次跑的时候可以把搜索边界缩小到这个范围附近用更少的狼和更少的迭代次数就能找到同样好的解。这个技巧在需要反复对多段信号做参数寻优的时候特别有用第一段信号用宽范围搜后续信号用窄范围搜总时间能省一半以上。# 记录GWO搜索过程中的所有位置和适应度 # 在GWO_optimize函数里加一个history列表 # history.append((positions.copy(), fitness.copy())) # 画散点图 all_pos [] all_fit [] for pos, fit in history: all_pos.append(pos) all_fit.append(fit) all_pos np.vstack(all_pos) all_fit np.concatenate(all_fit) plt.figure(figsize(8, 5)) plt.scatter(all_pos[:, 0], all_pos[:, 1], call_fit, cmapviridis, s10, alpha0.6) plt.colorbar(label适应度) plt.xlabel(K) plt.ylabel(alpha) plt.title(GWO搜索轨迹与适应度分布) plt.show()这张散点图能直观看出适应度在 (K, α) 平面上的分布。颜色越深表示适应度越低越好。如果深色区域集中在 K4 到 5、α1500 到 2500 之间下次就可以把搜索范围设成 K 在 3 到 6、α 在 1000 到 3000狼群规模降到 15迭代次数降到 30速度翻倍而且结果不会差。这个做法我用了很多次尤其是对一批同类信号做批量分解的时候第一段信号花几分钟找范围后面每段信号几十秒就搞定。希望帮到你。本文还有配套的精品资源点击获取
