当前位置：首页 > news >正文

探索TTAO - VMD：2024年最新算法的科研宝藏

news 2026/7/17 23:57:26

TTAO-VMD【24年最新算法】三角拓扑聚合优化算法(TTAO)优化VMD变分模态分解实现平台：Matlab，中文注释清晰，非常适合科研小白。适应度函数为包络熵输入数据为Excel,替换数据直接使用运行结果自动输出至同文件夹下的excel中，非常方便三角拓扑聚合优化器(Triangulation Topology Aggregation Optimizer, TTAO)该成果人于2024年3月发表在SCI一区顶HExpert Systems With Applications上(如下图) 目前引用量几乎没有，你先用你就是创新需要其他算法都可以定制模型运行步骤： 1.利用三角拓扑聚合优化算法优化VMD中的参数k、a，适应度函数为包络熵。分解效果好，包含分解效果图、频率图、收敛曲线等图等。 2.三角拓扑聚合优化算法是24年最新提出的新算法，没人用过。适合作为创新点。 3.附赠测试数据直接运行main即可一键出图

最近在科研的算法海洋里“冲浪”，发现了一个超有意思的新玩意儿——TTAO - VMD，全称三角拓扑聚合优化算法（TTAO）优化VMD变分模态分解，2024年的最新算法哦，简直是科研小白的福音！

一、算法背景及出处

三角拓扑聚合优化器（Triangulation Topology Aggregation Optimizer, TTAO）可是个“新星”算法。它由成果人于2024年3月发表在SCI一区顶刊Expert Systems With Applications上。不过目前引用量几乎为零，咱要是先用起来，那妥妥就是创新呀！

二、实现平台与便利特性

这个算法的实现平台是Matlab，对科研小白特别友好，代码里中文注释清晰得很。输入数据直接用Excel就行，替换数据超轻松，运行结果还自动输出到同文件夹下的Excel中，这便利性，谁用谁知道！

三、核心——适应度函数与优化过程

适应度函数采用的是包络熵，主要优化VMD中的参数k和a 。下面咱们结合代码来看看大概的实现思路（这里只展示关键部分代码示意）：

% 假设这里导入了Excel数据 data = xlsread('your_excel_file.xlsx'); % 定义适应度函数 - 包络熵计算函数 function fitness = envelope_entropy_fitness(k, a, data) % 进行VMD分解 [u, ~] = VMD(data, k, a); % 计算包络 envelope = abs(hilbert(u)); % 计算包络熵 [~, ~, fitness] = entropy(envelope); end

在这段代码里，首先从Excel读取数据，然后定义了适应度函数envelopeentropyfitness。在函数中，通过VMD函数（这里假设已有定义的VMD函数实现）用给定的k和a参数对数据进行VMD分解，接着计算分解后信号的包络，最后利用Matlab自带的entropy函数计算包络熵作为适应度值。

四、模型运行步骤

参数优化与效果展示

利用三角拓扑聚合优化算法来优化VMD中的参数k和a，优化后分解效果超棒，会给出分解效果图、频率图、收敛曲线等各种图。这一步实现起来，大概的Matlab代码框架如下：

% 初始化TTAO算法参数 % 假设TTAO算法相关参数设置 pop_size = 50; max_iter = 100; % 调用TTAO算法优化VMD参数 [best_k, best_a, fitness_trace] = TTAO(pop_size, max_iter, @envelope_entropy_fitness, data); % 使用最优参数进行VMD分解 [u, ~] = VMD(data, best_k, best_a); % 绘制分解效果图 figure; subplot(3,1,1); plot(data); title('原始信号'); subplot(3,1,2); for i = 1:best_k plot(u{i}); hold on; end title('分解后的模态'); hold off; % 绘制频率图（假设已有计算频率的函数） freq = calculate_frequency(u); subplot(3,1,3); plot(freq); title('频率图'); % 绘制收敛曲线 figure; plot(fitness_trace); title('收敛曲线');

这段代码首先初始化了TTAO算法的一些参数，比如种群大小popsize和最大迭代次数maxiter，然后调用TTAO函数（这里假设已有定义）利用适应度函数对VMD的参数k和a进行优化，得到最优参数后再次进行VMD分解，并绘制出各种效果图。