声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~
目录
今天给大家带来一期利用2025年最新的龙卷风优化算法TOC优化VMD的信号分解的代码，非常适合作为创新点。
相比于EMD分解时存在的模态混叠问题，VMD可以将信号分解成一系列有限带宽的固有模态函数，并且自适应地将信号不同频率有效分离，适用于非线性非平稳性信号，并且效率高。
然而，VMD的性能也会受到两个分解模态数K、惩罚因子α的重要影响，而手动调参较为繁琐，且不可靠。如果选择的K太小，可能无法捕获信号中的所有重要成分，导致信息丢失；选择较大的K，可能引入冗余信息，增加计算复杂度，同时可能使得模态之间的正交性和稳定性变差。而惩罚因子α如果选择过大，可能会导致模态过于平滑，造成欠拟合；而选择的α过小则可能导致模态过分灵活，产生过拟合现象。
因此，可以利用最新优化算法对其参数进行自适应选择！目前知网上用的人还很少！可以说是尚未发表的创新点！替换自己喜欢的优化算法也非常方便！
本期代码，一共集成了六种熵值供您选择，非常方便，并有了3D分解图、功率谱、幅值谱、希尔伯特谱、瞬时能量等图！一共9张图！
您只需做的工作：替换自己的数据，选择适应度函数，运行main文件即可！非常适合新手小白！
数据输入方法
在分解模型的输入时，一般只输入一列数据即可，比如信号、交通流、风速、声音、振动、功率、碳排放数据等等。
为了方便大家操作，这里使用Excel输入！以一列信号（时间序列）为例，展示数据输入格式。
大家在更换自己的数据时，只需替换这一列放想要分解的信号等等内容，无需更改代码，非常方便！如果你是mat格式等文件的话，可以复制数据到Excel中或者自行查找mat格式输入方法！
模型流程
以下这些内容，如果大家需要用这个程序写论文，都是可以直接借鉴参考的！
在应用VMD算法时，需人为指定分解模态数K、惩罚因子α两个参数，存在较大主观性和盲目性的不足。因此，采用25年最新龙卷风优化算法对TOC对VMD的两个参数进行优化，适应度函数可选择六种（包络熵、排列熵、信息熵、样本熵、能量熵、包络峭度因子），如果适应度值越小，则代表分解的效果越好。通过优化和更新，来确定最终的最佳参数。
优化的步骤如下:
(1)TOC算法的种群初始化，设置TOC的迭代次数和种群规模，并设置VMD算法的参数优化范围；
(2)优化算法进行迭代，计算各个 IMF 分量的适应度，以适应度的最小值进行评价。
(3)判断优化是否达到算法的终止条件，若是，则继续下一步；若否，则更新种群位置，并返回第(2)步；
(4)保存最优的VMD参数组合，并将其代入至VMD中；
(5)得到最佳的 IMF 分量，并生成VMD分解图、频谱图、参数变化图、相关系数等图片。
以上所有流程，作者都已精心整理过代码，都可以一键运行main直接出图！如果需要搭配后续的预测模型，比如TOC-VMD-Transformer，可以后台私信我，都是没有问题的！
创新点
1.使用VMD的创新点在于：
（1）VMD算法对模态的带宽进行了明确的数学定义，以希尔伯特变换得到模态的解析信号，再将其频谱通过指数搬移到原点，通过高斯滤波后的L2范数来衡量带宽，具有清晰的数学基础和良好的可控性，不像EMD那样依赖经验和启发式处理。
（2）对噪声的鲁棒性较强，不容易受到局部尖峰、非平稳噪声的干扰，适合处理非平稳、非线性信号。
（3）所有模态在优化过程中是一起更新的，这样可以自适应地分配频率带宽，避免模态重叠，显著减小了模态混叠现象，提取的模态具有更好的物理意义。
2.使用龙卷风优化算法TOC创新点在于：
龙卷风优化算法TOC于2025年2月发表在SCITop期刊《Artificial Intelligence Review》上！实验结果表明，TOC算法在大部分测试函数上均取得了最优结果！你先用，你就是创新！
之前推文有做过TOC和23年新出的的霜冰优化算法RIME的比较，效果显而易见！对比代码可以免费获取！链接如下：
2025年SCI顶刊新算法-龙卷风优化算法(TOC)-公式原理详解与性能测评 Matlab代码免费获取
结果展示
这里以一段480个点的数据为例，设置TOC算法的种群规模为10，迭代次数为20（可自行更改），结果如下：
并以包络熵为适应度函数为例：
2D分解结果图：
频谱图1：
频谱图2：
3D分解图：
迭代曲线图：
参数变化图：
希尔伯特谱+瞬时能量图：
命令行窗口也会清楚显示最佳参数以及适应度值：
文件夹内也非常清晰，没有什么乱七八糟的文件！您需要运行的文件只有main脚本一个！！
以上所有图片，替换Excel后均可一键运行main生成，Matlab无需配置环境！比Python什么方便多了！非常适合新手小白！
完整代码
如果需要以上完整代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：
TOCVMD
扫一扫
1092
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
