目录
[4.1 WOA优化算法](#4.1 WOA优化算法)
[4.2 PSO优化算法](#4.2 PSO优化算法)
[4.3 GA优化算法](#4.3 GA优化算法)
[4.4 三种算法对比分析](#4.4 三种算法对比分析)
1.程序功能描述
基于WOA鲸鱼优化算法的FIR滤波器系数计算matlab仿真,对比PSO,GA。传统的滤波器设计方法如窗函数法、频率采样法等，在处理复杂的设计要求时可能存在一定的局限性。近年来，智能优化算法被引入到 FIR 滤波器系数的计算中，如粒子群优化算法（PSO）、遗传算法（GA）和鲸鱼优化算法（WOA）等，这些算法通过模拟自然现象或生物行为，能够在全局范围内搜索最优的滤波器系数。
2.测试软件版本以及运行结果展示
MATLAB2022A/MATLAB2024B版本运行
WOA
PSO
GA
三种算法误差对比
基于WOA鲸鱼优化算法的FIR滤波器系数计算方法，通过模拟座头鲸的狩猎行为，能够在全局范围内搜索最优的滤波器系数。与PSO和GA算法相比，WOA算法具有较强的搜索能力、较快的收敛速度和较好的鲁棒性。
3.核心程序
.......................................................
X = woa_idx;
figure;
plot(yy);
xlabel('优化迭代次数');
ylabel('适应度值');
coff = fir1(round(X(1)), 1e6*X(2)/(Fs/2));
figure;
plot(b,'r-o');
hold on
plot(coff,'b-s');
legend('实际滤波器系数','WOA估算滤波器系数');
y = filter(coff,1,s4);
figure;
subplot(411);
plot(ts,s4);
xlabel('时间');ylabel('幅度');title('时域波形');
subplot(412);
plot(ts,silter);
xlabel('时间');ylabel('幅度');title('经过低通滤波器时域波形');
subplot(413);
plot(ts,y);
xlabel('时间');ylabel('幅度');title('通过WOA估算滤波器参数后滤波效果');
subplot(414);
plot(ts,y-silter);
xlabel('时间');ylabel('幅度');title('通过WOA估算滤波器参数后滤波效果与实际滤波效果误差');
ylim([-0.1,0.1]);
save R1.mat
1034.本算法原理
FIR滤波器的单位脉冲响应h(n)是有限长的，其输出y(n)与输入x(n)的关系可以表示为：
在FIR滤波器设计中，通常的优化目标是使优化算法得到的滤波器输出结果和实际滤波输出得到的结果的误差准则是均方误差（MSE）。
4.1 WOA优化算法
鲸鱼优化算法（WOA）是由澳大利亚学者 Mirjalili 等人于 2016 年提出的一种新型智能优化算法，它模拟了座头鲸的狩猎行为。座头鲸主要通过螺旋气泡网捕食策略来捕捉猎物，WOA 算法基于这一行为，设计了包围猎物、螺旋更新位置和随机搜索猎物三种搜索机制，以实现全局最优解的搜索。在每次迭代中，根据收敛因子a的值，选择不同的搜索机制来更新鲸鱼的位置：
4.2 PSO优化算法
粒子群优化算法（PSO）是由 Kennedy 和 Eberhart 于 1995 年提出的一种基于群体智能的优化算法。它模拟了鸟群或鱼群的群体行为，每个粒子代表一个潜在的解，通过跟踪个体最优位置 pbest 和全局最优位置 gbest 来更新自己的位置，以寻找最优解。
4.3 GA优化算法
遗传算法（GA）是由 Holland 于 1975 年提出的一种基于自然选择和遗传机制的优化算法。它通过模拟生物进化过程中的选择、交叉和变异操作，不断迭代优化种群，以寻找最优解。
4.4 三种算法对比分析
WOA：WOA算法通过模拟座头鲸的狩猎行为，具有较强的全局搜索能力和局部搜索能力。在搜索初期，算法能够快速地在全局范围内搜索可能的解；在搜索后期，能够通过螺旋更新位置等机制进行局部精细搜索，提高解的精度。
PSO：PSO算法通过粒子之间的信息共享，能够快速地收敛到最优解附近。但在搜索后期，粒子容易陷入局部最优，导致搜索精度下降。
GA：GA算法通过选择、交叉和变异操作，能够在全局范围内搜索最优解。但由于其搜索过程具有一定的随机性，收敛速度相对较慢。
5.完整程序
VVV