简介：这份PDF文档聚焦鲸鱼优化算法WOA与变分模态分解VMD的结合实现，面向计算机、电子信息工程、数学等专业需要完成课程设计、期末大作业或毕业设计的学生，也适合希望为时序信号分解课题寻找创新点的研究者。内容围绕VMD中模态数k与惩罚因子alpha的自动寻优展开，配合边际谱、频率图、收敛曲线及超参数迭代过程图，帮助读者理解参数搜索如何影响分解质量与中心频率分布。包内共1个PDF文件，约600KB，以图文方式呈现算法流程、参数设置和结果分析，便于在有限篇幅内快速把握WOA-VMD的整体框架。相关实现强调参数化编程与清晰注释，数据采用Excel格式便于替换，读者可据此对照复现实验图表、梳理寻优与分解的对应关系，并积累将智能优化用于信号预处理的思路。目前已有1336人学习，适合作为课程设计选题或论文创新点的参考材料。

1. 参数一拍脑袋就定 K 和 alpha？这套 WOA-VMD 把两个旋钮交给鲸鱼去搜

调过 VMD 的人都懂那种滋味：K 设 5 还是 6，alpha 给 1000 还是 2000，全凭手感和上一次的经验，换个信号就得从头再来一遍，说是玄学一点不夸张。这套用 matlab 算法写的 WOA-VMD，做的一件事就是把这两个超参数从人手里拿走，交给鲸鱼优化算法在给定区间里自己搜：外层是 WOA，内层是 VMD，每评估一次位置就完整跑一遍分解，用包络熵当分数决定谁更优。

它适合三类人：课程设计或毕业设计里需要一个说得清、画得出图、又不至于烂大街的“创新点”的同学；手里有振动、超声、语音这类非平稳序列，想先看看能拆出哪些频率成分的电子信息和信号处理方向从业者；以及想拿一个结构清晰、参数化程度高的优化框架，换成别的优化器或别的适应度函数做对比实验的人。代码是 Matlab 的，数据走 Excel，主程序 main 一路跑到底。

2. VMD 的两个旋钮与 WOA 的捕食逻辑：先搞清楚谁在优化谁

2.1 VMD 的变分问题与 K、alpha 的物理含义

VMD 的出发点是：任何一段信号都能写成若干个围绕各自中心频率的窄带模态之和——u(t) = Σ u_k(t)。为了让这件事有唯一解，它给每个模态加了一个带宽约束，把问题写成“所有模态解析信号带宽之和最小”的约束变分问题。求解时用二次惩罚因子 alpha 把约束松弛掉，再用拉格朗日乘子 lambda 和惩罚项一起转成无约束问题，最后靠 ADMM 交替迭代 u_k、omega_k、lambda 三组变量，直到收敛容差 tol 满足。

这里面真正影响结果的只有两个东西。K 是模态数，决定“拆几份”，设小了高频成分被主模态吞掉，能量全部堆在低频；设大了就会出现两个中心频率几乎重合的模态，频带互相啃食，时域上表现为两个波形长得几乎一样、幅值各占一半。alpha 是二次惩罚因子，等效于带宽的倒数平方约束，设大了每个模态被压得极窄，波形会出现明显的“发飘”和高频振铃；设小了带宽放开，模态之间频率串扰，包络失真。

VMD 剩下的参数基本是固定的：tau 是双上升步长，针对噪声松弛，一般取 0；DC 决定第一个模态是否锁在零频，做趋势项分离时取 1，普通分解取 0；init 是中心频率初始化方式，0 全零、1 均匀分布、2 随机，取 1 最稳；tol 是收敛判据，1e-6 到 1e-7 之间。

所以这个资源里 WOA 只优化两维，是有道理的：K 和 alpha 是真正互相耦合的两个量，其余参数属于“设定后不该动”的范畴。把 dim 设成 2，搜索空间小，种群不需要开太大，二三十次迭代就能收敛，这对毕业设计这种算力有限的场景很友好。

提示：alpha 的数量级和你信号的采样率、幅值量级强相关。同一套代码，把数据从 mV 换成 V，alpha 的合适区间可能整体平移一个数量级，这一点在换数据时务必重设 lb/ub。

2.2 WOA 的三段式位置更新与二维搜索空间

WOA 模拟座头鲸的泡泡网捕食，位置更新分三段。第一段是包围猎物：当系数向量 |A| < 1 时，所有个体朝当前最优位置收缩，步长由 A 和随机向量 C 决定。第二段是随机搜索：|A| ≥ 1 时不再朝最优走，而是随机挑一个个体作为参考，这是保证全局探索、避免早熟的主要机制。第三段是螺旋气泡网：以概率 p 在包围和螺旋之间二选一，螺旋段沿着对数螺线朝最优位置绕过去。

关键在收敛因子 a：它从 2 线性降到 0，A = 2a·r1 − a。迭代初期 a 接近 2，|A| 大概率大于 1，算法在整个搜索空间乱窜；迭代后期 a 趋近 0，|A| 落到 1 以内，算法转为精细包围。这个过程不需要额外调参，是 WOA 相比一些老优化器省心的地方。

二维搜索空间里，两个维度的尺度差得很远：alpha 是几百到几千，K 是个位数。如果不做归一化，位置更新时 K 维度上的扰动相对于 alpha 几乎可以忽略，等于 K 根本没被有效搜索。常见做法有两种：一是直接在 lb/ub 里给出各自量级（代码里 lb=[800,4]、ub=[2000,10] 就是这个思路），让两维各自在自己的区间里跑；二是把位置归一化到 [0,1]，评估时再映射回去。前者省事，后者更稳，做对比实验时我会选后者。

下面这段是 WOA 单代更新的核心，可以直接对照你手里的版本：

% 单代位置更新：包围 / 随机搜索 / 螺旋 三段式 a = 2 - 2*(t / Max_iter); % 收敛因子，2 线性降到 0 for i = 1:pop r1 = rand; r2 = rand; p = rand; A = 2*a*r1 - a; % |A|<1 包围，|A|>=1 随机搜索 C = 2*r2; if p < 0.5 if abs(A) < 1 D = abs(C*Leader_pos - Pos(i,:)); Pos(i,:) = Leader_pos - A.*D; % 朝最优包围 else idx = randi(pop); % 随机选参考个体 D = abs(C*Pos(idx,:) - Pos(i,:)); Pos(i,:) = Pos(idx,:) - A.*D; % 全局探索 end else Dp = abs(Leader_pos - Pos(i,:)); l = -1 + 2*rand; % 螺线形状参数 Pos(i,:) = Dp.*exp(l).*cos(2*pi*l) + Leader_pos; % 螺旋气泡网 end Pos(i,:) = max(Pos(i,:), lb); % 越界截断，别让小概率飞出区间 Pos(i,:) = min(Pos(i,:), ub); end

逻辑上，Leader_pos是当前全局最优位置，由每代评估完所有个体后更新。A的符号决定靠近还是远离，绝对值决定步子大小。C是 [0,2] 上的随机缩放，作用是把参考位置“抖”一下，增加多样性。螺旋段里的l在 [-1,1] 上取值，exp(l)控制在 0.37 到 2.72 之间，cos(2πl)让轨迹绕最优位置转圈，两者相乘就是标准对数螺线。

越界截断这两行看着不起眼，但不写会出事：螺旋更新在某些 l 值下会把点甩到区间外很远，下一轮 VMD 拿到一个负数 alpha 或 K=0，直接报错中断。截断等于给算法一个硬边界，代价是可能把个体卡在边界上，这时候要看收敛曲线尾部是不是一直贴着 lb 或 ub——贴着就说明边界设窄了。

参数说明：t是当前迭代轮次，Max_iter是总轮次，这两个决定了 a 的下降斜率；pop是种群规模，二维问题 5 到 15 都够，太小容易出现整代个体适应度一模一样、曲线拉成直线的情况。

2.3 适应度函数定生死：包络熵、排列熵与稀疏度的取舍

优化器只是找路的人，走的路对不对全看适应度函数。VMD 参数优化的适应度一般从三类里选：包络熵、排列熵/样本熵、以及稀疏度类指标。这套代码用的是包络熵，这也是轴承故障诊断、冲击特征提取这类场景里最常见的选择。

包络熵的直觉是：把一个模态做 Hilbert 变换取包络，归一化成概率分布，再算香农熵。如果这个模态里存在明显的周期性冲击，包络会呈现稀疏的尖峰，概率分布集中，熵就小；如果模态是噪声或者多个频率混在一起，包络比较平坦，熵就大。所以“熵最小”等价于“分解出的模态在包络意义上最稀疏、冲击特征最突出”。

实现上有个细节值得说清楚：K 个模态各有一个包络熵，最后汇总成一个标量。取平均是最常见的做法，但取平均会把“好模态”和“差模态”的分数混在一起，当 K 搜索到较大值时，多出来的噪声模态会把平均值拉高，让算法误以为大 K 不好，结果收敛到一个偏小的 K。另一种做法是取最小值，含义是“我只要有一个模态足够好就行”，适合单故障源场景；还有取所有模态熵的加权和，权重按各模态能量给，能量大的模态话语权大。

评估次数是这套流程的成本大头。每一次适应度计算都要完整跑一遍 VMD，而 VMD 内部是 ADMM 迭代，信号长度 1 万点、K 取 8 的时候单次分解在普通笔记本上大约几百毫秒。pop=8、迭代 30 代就是 240 次分解，一两分钟起步。所以适应度函数里尽量不要做额外的重活，能省的 Hilbert 就省，能提前 return 就提前 return。

% 适应度：K 个模态包络熵的均值，越小越好 function fit = fitnessVMD(pos, x, fs, tau, DC, init, tol) alpha = pos(1); K = round(pos(2)); % K 必须是整数 K = max(2, min(K, 12)); % 二次保护，防 round 后越界 [u, ~, ~] = VMD(x, alpha, tau, K, DC, init, tol); if isempty(u) || any(isnan(u(:))) fit = 1e6; % 分解失败给个极大惩罚值 return; end fit = 0; for k = 1:K env = abs(hilbert(u(k,:))); % 解析信号取模得到包络 p = env / (sum(env) + eps); % 归一化成概率分布 fit = fit - sum(p .* log(p + eps)); % 累加香农熵 end fit = fit / K; % 取均值，K 越大惩罚越明显 end

eps的两次出现都是为了防 log(0) 和除零，看着啰嗦但少了它，某些全零模态会让你在半夜看到一片 NaN。round加max/min的双保险是踩过坑之后加的：WOA 的螺旋段偶尔会把位置甩到 1.9 这种值上，round 成 2，如果 lb 恰好是 4，后面的 VMD 就会拿到一个 2 个模态的输入，输出维度和你后面画图代码对不上，报一个莫名其妙的错。

isnan检查同样不是摆设。alpha 过大时（比如边界给到 5000 以上），ADMM 在某些信号上会发散，u 里出 NaN，这个 NaN 会一路传进熵值，再传进 WOA 的排序，最后整个种群的最优位置变成 NaN，收敛曲线画出来是空的。给个 1e6 的惩罚值，等于告诉优化器“这条路走不通，换一条”。

至于排列熵和样本熵，它们对突变和复杂度更敏感，适合非冲击型信号；缺点是计算量比包络熵大一截，作为适应度会明显拖慢迭代。如果信号是机械振动、超声检测这一类，包络熵基本够用；如果是脑电、心电这种，可以两边都试试，看收敛曲线哪一个更有区分度。

3. 把 Excel 数据跑通：main 入口、参数表与四张图的产出

3.1 数据读取与采样率反推

这套代码的数据入口设计得很朴素：一个 Excel 文件，主程序 main 里读进来就直接开跑。方便的地方在于换数据不用改任何逻辑，不方便的地方在于它默认你的数据格式“对”——列的顺序、有没有表头、采样率从哪来，都得自己先确认一遍。

我一般按两种格式准备数据。第一种是两列：第一列时间戳（单位秒），第二列幅值。这种最省心，采样率可以直接从时间列反推，不需要额外记住数值。第二种是单列幅值，这时候采样率必须手动给，代码里留一个fs变量自己填。两种都要注意：Excel 第一行如果是中文表头，readmatrix读进来会得到一整行 NaN，得用readmatrix(file,'NumHeaderLines',1)或者干脆把表头删掉。

% 读取 Excel 信号，兼容单列/两列两种格式 raw = readmatrix('signal.xlsx'); % 有表头时改 readmatrix('signal.xlsx','NumHeaderLines',1) if size(raw,2) >= 2 t = raw(:,1); x = raw(:,end); dt = mean(diff(t)); % 平均采样间隔 fs = 1/dt; % 反推采样率 else x = raw(:,1); fs = 1000; % 单列数据必须手动指定 end x = x(:)'; % 统一成行向量，VMD 要求行输入 x = x - mean(x); % 去直流，避免 0 频模态吃掉能量

x(:)'这一行是血泪经验。VMD 的标准实现里，信号长度是按length(signal)判断的，如果你的 x 是列向量，某些版本会在numel和length之间打架，最后报一个“矩阵维度不一致”的错误，而错误信息指向的是 VMD 内部的某一行，跟你传进去的数据八竿子打不着。统一转成行向量，能省掉这一类排查。

x - mean(x)去直流也是常做的预处理。不去的话，DC=0 时第一个模态会去拟合那根直流分量，中心频率贴着 0，白白浪费一个模态名额。当然如果你的研究目标就是趋势项分离，那 DC 设 1、不去均值，让第一个模态专门锁零频，这是另一种用法。

3.2 种群、迭代次数与 lb/ub 的量级

WOA 这边可控的只有四个数：pop、Max_iter、lb、ub。前两个决定算多久，后两个决定搜多大范围。真正容易翻车的是后两个。

lb/ub 的设法是这里最见功力的地方。原文给的lb=[800,4]、ub=[2000,10]是一个挺稳妥的起点，区间不算宽，二三十代就能搜得比较透。但如果你把它缩到 [1000,5] 到 [1200,6]，那就不是优化了，是在两个候选值里做二选一，收敛曲线会很快贴平，看着“收敛得真好”，实际是搜索空间被你自己掐死了。

反过来，把 alpha 的上界开到 10000，问题变成大片区域都是无效解——VMD 在那个区间上要么发散要么分出几十个窄带模态，适应度全是 1e6 的惩罚值，WOA 前期一大半时间都在无效区域里打转。经验做法是先用几组固定参数手跑一遍 VMD，看看你这信号在什么 alpha 量级下波形还正常，然后以那个值为中心，上下各放 2 到 3 倍作为搜索区间。

% 优化器与 VMD 公共参数 pop = 8; % 种群规模，二维问题 8~12 足够 Max_iter = 30; % 迭代次数，先跑 20 看曲线，不够再加 lb = [800 4]; % alpha 下界、K 下界 ub = [2000 10]; % alpha 上界、K 上界 dim = 2; % 只搜 alpha 和 K tau = 0; % 含噪信号留噪声松弛 DC = 0; % 不锁零频 init = 1; % 中心频率均匀初始化 tol = 1e-7;

这里dim=2和后面Pos矩阵的列数必须一致，lb、ub的长度也要一致，三个地方只要有一个手滑写成 3，初始化阶段就会报索引越界。常见做法是把 dim 写成numel(lb)，让维度自己从边界数组推出来，少一个改漏的地方。

3.3 主流程逐段拆解

main 脚本的骨架其实就四步：初始化种群、循环评估与更新、取最优位置重跑一次 VMD、出图。第三步最容易被忽略，但它是保证“图上画的参数就是你实际用的参数”的关键。

% 初始化种群并评估 Pos = repmat(lb, pop, 1) + rand(pop, dim) .* repmat(ub - lb, pop, 1); fit = zeros(pop, 1); for i = 1:pop fit(i) = fitnessVMD(Pos(i,:), x, fs, tau, DC, init, tol); end [bestFit, idx] = min(fit); Leader_pos = Pos(idx,:); curve = zeros(1, Max_iter); % 记录每代最优，用于画收敛曲线 % 主循环：更新位置 -> 截断 -> 重新评估 -> 更新全局最优 for t = 1:Max_iter a = 2 - 2*(t/Max_iter); for i = 1:pop % ……此处为 2.2 节的三段式更新…… Pos(i,:) = max(min(Pos(i,:), ub), lb); fit(i) = fitnessVMD(Pos(i,:), x, fs, tau, DC, init, tol); if fit(i) < bestFit bestFit = fit(i); Leader_pos = Pos(i,:); end end curve(t) = bestFit; end % 关键：用取整后的最终参数重跑一次 VMD，图与参数必须同源 alpha_opt = round(Leader_pos(1)); K_opt = round(Leader_pos(2)); [u, u_hat, omega] = VMD(x, alpha_opt, tau, K_opt, DC, init, tol);

Leader_pos在整个过程中是浮点的，因为 WOA 本身就在连续空间里搜索。但最终拿去跑 VMD 的 K 必须取整，这一取整，浮点位置的适应度和整数参数的适应度就可能不是同一个值。所以最后那次重跑不是冗余，是让u、u_hat、omega严格对应alpha_opt、K_opt这张图上标注的参数。少了这一步，你论文里写的“最优 K=6”和你图里画的 6 个模态可能是两码事——审稿人或者答辩老师只要数一下子图个数就露馅了。

curve数据也建议单独存一份到 mat 文件，一是画对比图时不用重跑，二是换优化器（比如换成灰狼、麻雀）做对比时，可以直接把两条曲线叠在一张纸上。

3.4 边际谱、频率图、收敛曲线怎么读

这套代码产出四类图，各有各的读法。

第一张是各模态的时域波形和频谱。时域看的是每个模态有没有清晰的物理形态——冲击、调制、平稳振荡。频谱看的是频带是否分离，理想状态下 K 个模态的频谱包络应该像排队一样错开，边界处幅值掉到接近 0。如果两个模态的频谱主峰几乎重叠，说明 K 给大了或者 alpha 给小了。

第二张是中心频率图，横轴迭代轮次或者模态编号，纵轴频率。稳定收敛的结果里，中心频率从低到高单调排列，相邻间隔大致均匀。如果出现两个模态的中心频率几乎相等，就是典型的过分解；如果有模态中心频率贴到 0 或者贴到奈奎斯特频率，说明 K 里有一个名额被直流或高频噪声占用了。

第三张是边际谱。做法是把每个模态做 Hilbert 变换得到解析信号，取幅值后在时间上积分（或者求和），得到该模态沿频率的能量分布，再把所有模态叠起来。它和直接做 FFT 的区别在于，边际谱反映的是“分解之后各模态各自贡献了什么频率”，能看出哪个频段被哪个模态接手了，对判断分解有没有丢频很有用。

第四张是收敛曲线，横轴迭代次数，纵轴当前最优适应度。健康的曲线前期陡降、中后期趋于平缓，最后十代的变化量小于初期的 1%。如果尾部还在明显下降，说明 Max_iter 不够；如果整条线是一条水平直线，说明种群初始化时所有个体就撞在了同一个适应度上，或者适应度函数对参数不敏感（典型原因是 lb 和 ub 太窄）。

4. 换数据不换代码：一次替换、两处对齐、三项校验

4.1 Excel 列结构与采样率对齐

代码能不能直接复用，八成取决于新数据和原数据的“形状”是否一致。要检查的对齐点有三个。

第一是采样率。fs 决定了频率轴刻度，也间接决定了 alpha 的合适量级。如果原数据 fs=1000 Hz、alpha 在 800～2000 之间合适，新数据 fs=20000 Hz，同一组 alpha 就可能偏小，因为带宽约束的相对强度变了。换数据后第一件事是把 fs 更新对，然后重跑一次固定参数的 VMD 看看波形，觉得没问题再开优化。

第二是信号长度。VMD 的 ADMM 迭代是全序列进行的，长度从 2000 点涨到 10 万点，单次分解时间可能从几十毫秒涨到几秒，240 次评估就是十几分钟。如果只是想验证方法可行性，可以先降采样或者截取一段有代表性的区间跑通流程，确认参数区间合理之后再上全长数据。

第三是幅值量级。前面提过，从 mV 换到 V，或从 g 换到 m/s²，alpha 的合适区间会平移。最简单的对齐办法是把新数据归一化到 [-1,1]，让所有数据的尺度统一，代价是分解出来的模态幅值也带上了这个缩放系数，需要在最后乘回去。

注意：Excel 里如果存在合并单元格、空行、文本型数字，readmatrix会静默地填 NaN 或者截断，不会报错。换数据后先sum(isnan(x))看一眼，比跑到一半发现曲线是空的要省事。

4.2 分解结果的复现校验

同一份数据、同一组参数，两次运行 VMD 的结果应当完全一致，因为 VMD 本身是确定性的（init=1 时中心频率初始化固定）。如果你的结果每次跑都不一样，问题一定出在三个地方：init 设成了 2（随机初始化）、WOA 的随机种子没固定、或者数据读取时列选错了。

固定随机种子这件事，做课程设计和论文复现时是硬要求：

% 固定随机种子，保证每次运行的收敛曲线和最终参数一致 rng(2024, 'twister'); % 任意整数即可，关键是整篇论文里保持一致

twister是梅森旋转，Matlab 的默认算法，显式写出来是为了跨版本稳定。种子换了，曲线形状会变，但最终收敛到的参数区间应该大致相同——如果换个种子就收敛到完全不同的 K，说明你的适应度曲面太平，参数辨识度不够，这时候该回去检查适应度函数或者搜索区间，而不是换种子凑结果。

第二项校验是能量守恒。VMD 是完备分解，所有模态加起来应当能重构原信号，误差在数值精度范围内。跑完算一下norm(x - sum(u,1)) / norm(x)，正常情况下应该在 1e-10 量级。如果这个值到了 1e-2 甚至更大，说明迭代没收敛（tol 太小但迭代次数封顶了），或者 K 太小丢掉了成分。

第三项校验是中心频率的单调性与间隔。把omega(:,end)拿出来排序，看相邻差值的分布。均匀间隔说明分解干净；出现某一对间隔接近 0，就是过分解的信号。

% 三项复现校验：重构误差、中心频率间隔、参数一致性 recon_err = norm(x - sum(u,1)) / norm(x); % 期望 < 1e-8 f_center = sort(omega(:,end)) * fs / 2; % 归一化频率转 Hz gap = diff(f_center); fprintf('重构误差 %.2e | 最小频率间隔 %.2f Hz\n', recon_err, min(gap)); if min(gap) < 0.01 * fs warning('存在中心频率过于接近的模态，考虑减小 K 上界'); end

omega输出的是归一化角频率（0 到 π 对应 0 到 fs/2），乘fs/(2*pi)得到 Hz。不同版本的 VMD 实现里这个归一化方式略有差别，第一次用的时候拿一个已知频率的正弦信号试一下，确认刻度对不对，比事后对着图猜要快得多。

4.3 把 WOA 换成别的优化器要改哪几行

这套代码的结构是“优化器 + 适应度 + 出图”三段分离，换优化器的成本很低，只需要动三处。

第一处是初始化：新优化器如果有自己的人口初始化策略（比如反向学习、混沌映射），替换掉repmat(lb,pop,1) + rand(...)那段即可，保证输出还是一个pop × dim的矩阵。

第二处是主循环里的位置更新：把 2.2 节那段三段式换成新算法自己的更新公式，接口保持不变——输入当前种群、全局最优、当前迭代数，输出新种群。边界截断那两行保留，任何优化器都需要。

第三处是收敛曲线的记录方式：新算法如果每代评估的个体数不同（比如某些算法每代只更新一个个体），curve(t)的语义就从“第 t 代最优”变成“第 t 次评估最优”，画图时的横轴标签要相应改掉，否则对比图会失真。

适应度函数完全不用动，这也是这套结构最值钱的地方：fitnessVMD只认一个位置向量，谁调用它都行。做对比实验时，把 WOA、GWO、SSA 三条曲线的curve存成三个变量，plot 在一张图上加个 legend，一节对比实验就出来了。

5. 避坑与排查：K 取整踩空、熵值反向、边界越界

5.1 五条踩坑记录

现象一：收敛曲线一路下降，最后收敛到一个非整数的“最优 K”，画图时模态数量和标注对不上。

原因：WOA 在连续空间里搜索，Leader_pos(2)是 5.73 这种浮点数，直接拿去做 VMD 会报错或者被内部取整，但适应度是按 5.73 算的，曲线记录的最优值和实际可用的整数参数不是一回事。

解决：适应度函数里就round，让优化器搜索的曲面和实际评估的曲面一致；同时在最终输出时用取整后的参数重跑一次 VMD，图和参数必须同源。只做其中一步都不够。

现象二：适应度曲线是一条水平直线，所有代的最优值一模一样，但 VMD 单独跑明明能分出不同结果。

原因：种群初始化撞车，或者 lb/ub 区间太窄。二维空间里 pop=5、区间 [1000,1100]×[5,6]，随机撒点大概率落在同一格，round之后全变成 K=5、alpha=1000 出头，适应度自然一样。

解决：先把 pop 提到 10 以上，再把区间放到合理的物理范围内。判断标准是：初始化之后打印一下fit向量，如果所有元素差异小于 1%，说明区间或种群有问题。

现象三：某次迭代后适应度突然变成 NaN，之后整条曲线都是空的。

原因：alpha 越界到极大值，VMD 的 ADMM 发散，模态里出 NaN，NaN 一路传进包络熵。min函数遇到 NaN 时的行为在不同 Matlab 版本里不完全一致，有的会忽略，有的会传播，结果不可预期。

解决：适应度函数里加isnan和isempty检查，异常时返回一个大的惩罚值而不是 NaN；同时确认边界截断那两行确实在每次位置更新后都执行了，而不是只在初始化时执行。

现象四：分解出来的 K 个模态里，有两个长得几乎一模一样，中心频率也贴着。

原因：K 给大了。这是过分解最典型的表现。WOA 之所以会选到偏大的 K，往往是因为适应度取的是平均包络熵——K 增大时，多出来的那个模态如果是噪声，熵值可能反而更小，把平均值拉低了，算法误以为更好。

解决：把适应度换成“最小包络熵”试试，或者在适应度里加一个对 K 的惩罚项（比如fit = fit + 0.01*K），让算法在分解质量和模态数量之间做权衡。也可以直接把 ub 里的 K 上界压到 8。

现象五：换了一份新数据，代码跑通了，但出来的频谱整个频率轴对不上，峰值位置明显不对。

原因：fs 没改。频率轴是按 fs 算的，fs 错了，所有频率刻度都按比例缩放，看起来就像“信号频率变了”。

解决：换数据后第一件事是确认 fs，做法是拿一段已知频率的仿真正弦信号（比如 50 Hz）走一遍完整流程，看边际谱峰值是不是落在 50 Hz 上。这个校准步骤花不了两分钟，但能省掉后面一整天对着频谱图怀疑人生的时间。

5.2 报错定位顺序

Matlab 的报错栈经常指向 VMD 内部某一行，但问题出在上游。我一般的排查顺序是固定的四步，从外往里收。

第一步看数据：size(x)、sum(isnan(x))、fs三个值打印出来。行向量还是列向量，有没有 NaN，采样率是不是你以为了那个数。

第二步看参数：lb、ub、dim三者长度是否一致，lb是不是每一项都小于ub，K 的下界是不是大于等于 2。这几项里任意一项错了，报错信息都会长得差不多。

第三步看单次分解：跳过 WOA，拿一组固定的 alpha 和 K 直接调VMD，看能不能出结果。能出，问题在优化器；不能出，问题在数据或参数。

第四步看适应度：手动调一次fitnessVMD，打印返回值。如果返回 1e6，说明分解失败被兜住了，回去看第三步。

这个顺序的价值在于，它把“优化器报错”和“VMD 报错”这两类完全不同的故障分开处理。混在一起看，很容易在优化器的循环里改半天，最后发现是 Excel 里多了一行表头。

6. 结果不只看图：中心频率重合度与重构误差的终检

图看得顺眼不等于分解是对的。我在验收一次 VMD 结果时习惯跑三个数值指标，全部过关才认为这次优化有效。

第一项是重构误差，前面提过，norm(x - sum(u,1))/norm(x)，正常在 1e-8 以下。它检验的是分解的完备性——所有模态加起来能不能还原原信号。这一项不过，后面两项都不用看了。

第二项是中心频率最小间隔比，min(diff(sort(omega(:,end)))) / (fs/2)。这个比值反映相邻模态的频带有多挤。经验阈值取 0.02：小于它，两个模态基本在同一个频带上，过分解嫌疑很大；大于 0.05，说明分离得比较开。它不是绝对标准，但比肉眼看频谱图靠谱。

第三项是模态能量分布的集中度。算每个模态的能量占总能量的比例，排序后看前几个模态累计占了多少。健康的结果通常是前 3 到 5 个模态吃掉 90% 以上的能量，剩下的模态能量占比很小。如果能量均匀分散在 8 个模态里，说明 K 给大了，信号里没有那么多独立成分。

% 三项数值终检 E = sum(u.^2, 2); % 各模态能量 E_ratio = sort(E/sum(E), 'descend'); cumE = cumsum(E_ratio); fprintf('重构误差 %.2e | 最小间隔比 %.3f | 前3模态能量占比 %.1f%%\n', ... recon_err, min(gap)/(fs/2), cumE(3)*100);

三项都过关之后，还有一个技巧值得一试：两阶段搜索。第一阶段的区间放宽，alpha 从 500 到 4000、K 从 3 到 12，种群开大一点，先把大致的最优区域摸出来；第二阶段以第一阶段的最优点为中心，把 alpha 区间收窄到 ±30%，K 收窄到 ±1，种群减半，做一次精细搜索。这样做的好处是避免在宽区间里被大量无效解拖慢，同时又能保证不会因为一开始区间设窄而错过更优解。

具体操作上，第二阶段完全复用同一套代码，只需要把lb、ub改成从第一阶段的Leader_pos算出来的值，然后把rng换一个种子再跑一遍。两阶段的收敛曲线叠在一起看，如果第二阶段还能再降一截，说明第一阶段确实没搜透。

从那以后我每次跑完 WOA-VMD，不管图多好看，都强制把这三个数打印一遍再下结论——有一次收敛曲线漂亮得不行，结果最小间隔比只有 0.004，两个模态在同一个频带上对着干，图上完全看不出来，是这三个数把它揪出来的。希望帮到你。

本文还有配套的精品资源，点击获取