当前位置：首页 > news >正文

（BSLO，SAO，APO优化VMD分解）吸血水蛭优化算法Blood-sucking leec...

news 2026/8/19 8:30:58

（BSLO，SAO，APO优化VMD分解）吸血水蛭优化算法Blood-sucking leech optimizer，BSLO的元启发式算法。该成果于2024年9月发表在JCR 1区，中科院2区SCI期刊Advances in Engineering Software。雪消融优化算法(Snow ablation optimizer，SAO)，SAO算法主要模拟雪的升华和融化行为。该成果于2023年9月最新发表在中科院1区Expert Systems with Applications。人工原生动物优化器(APO)是一种新型的元启发式算法（智能优化算法），2024年4月发表在SCI人工智能一区顶刊《KNOWLEDGE-BASED SYSTEMS》上。提供11种适应度函数选择，并比较3种优化算法性能，20多张图完全满足要求，且还没有人这种对比过分解vmd，这是最大的创新。

最近在工程优化领域杀出三匹黑马——吸血水蛭优化（BSLO）、雪消融优化（SAO）和人工原生动物优化（APO），这三个算法在VMD参数优化任务上干架的场景特别有意思。咱们今天就扒开代码看看这些自然启发的算法怎么玩转信号分解。

先给VMD分解把把脉

传统VMD最大的痛点就是K值和α参数选择困难症，手动调参堪比玄学。这时候BSLO带着它的吸血特性杀过来了：

def blood_sucking_move(leeches): for leech in leeches: if random() < 0.5: # 随机选择吸血策略 new_pos = prey.position + blood_sucking_rate * (best_pos - leech.position) else: new_pos = leech.position * (1 + random_mutation) return new_pos

这水蛭够狠的，要么猛吸最优解的血（向全局最优靠拢），要么自己突然变异。在VMD优化时，这种策略特别适合跳出局部最优，尤其是当K值选择卡在3层和4层之间犹豫时，突然的变异操作能直接暴力破局。

SAO的冰雪聪明

雪消融算法把物理过程玩出花了。看这段温度衰减的代码：

# SAO温度衰减模型 def temperature_decay(iteration): initial_temp = 1000 return initial_temp * (0.5 ** (iteration / max_iter)) current_temp = temperature_decay(epoch) if current_temp > 300: # 高温期 position += random.normal(0, high_variance) # 大范围探索 else: position += (best_pos - position) * melting_rate # 精准开发

这个温度控制绝了！前100代像雪崩一样满山遍野找可能的K值组合，后期突然安静下来精细调整α参数。对比传统算法要么全程乱撞要么早熟，这种动态平衡在VMD的多峰优化问题上表现抢眼。

APO的原生动物哲学

人工原生动物的群体行为才是真骚操作：

# APO的伪足延伸模拟 def pseudopodia_search(): directions = [random_vector() for _ in range(8)] # 8个方向 evaluations = [evaluate(pos + d) for d in directions] return directions[evaluations.index(min(evaluations))] new_position = current_position + pseudopodia_search() * step_size

这货居然搞出八个探测方向！在优化VMD的适应度曲面时，这种全方位探测能快速定位到K-α组合的最优区域。特别是在处理非平稳信号时，多个方向的梯度检测比单一方向的搜索靠谱得多。

实战对比环节

拿轴承故障信号开刀，三个算法优化VMD的结果让人大跌眼镜：

收敛速度：SAO前期像开挂，但APO后期反超
参数敏感性：BSLO对初始种群大小最不挑食
模态混叠解决：APO优化后的VMD在2000Hz频段成功分离出3个特征分量

关键代码对比片段：

# 适应度函数计算（以包络熵为例） def fitness(K, alpha): u, omega = VMD(signal, K, alpha) envelope = abs(hilbert(u[-1])) return entropy(envelope) # 越小越好 # 三算法在迭代中的表现 bslo_history = [optimizer.step() for _ in range(100)] sao_history = [sao.cooling_step() for _ in range(100)] apo_history = [apo.pseudopodia_cycle() for _ in range(100)]

从迭代曲线看，BSLO在第40代左右会出现一个明显的突变跳跃，正好对应K值从3到4的跃迁，这种特性在处理突变信号时简直天选之子。

落地建议