以平均包络谱熵为适应度函数，利用麻雀搜索算法自适应地寻找不同工况下的最优模态数K和惩罚因子α的matlab函数

以下是一个基于麻雀搜索算法的自适应寻找最优模态数K和惩罚因子α的Matlab函数。其中，适应度函数为平均包络谱熵。

function [K_opt, alpha_opt] = MSSA_ESA(A, K_min, K_max, alpha_min, alpha_max, N, max_iter)
% A: 输入信号矩阵，每一行代表一个信号
% K_min, K_max: 模态数的搜索范围
% alpha_min, alpha_max: 惩罚因子的搜索范围
% N: 麻雀群体数量
% max_iter: 最大迭代次数

% 初始化麻雀群体
K = randi([K_min, K_max], N, 1);
alpha = rand(N, 1) * (alpha_max - alpha_min) + alpha_min;

% 计算适应度
fitness = zeros(N, 1);
for i = 1:N
    [~, ~, ~, ~, ~, ~, ~, ~, mse] = MSSA(A, K(i), alpha(i));
    fitness(i) = mean(mse);
end

% 寻找最优解
iter = 1;
while iter <= max_iter
    % 随机交换两只麻雀
    idx1 = randi(N);
    idx2 = randi(N);
    while idx2 == idx1
        idx2 = randi(N);
    end
    temp_K = K(idx1);
    K(idx1) = K(idx2);
    K(idx2) = temp_K;
    temp_alpha = alpha(idx1);
    alpha(idx1) = alpha(idx2);
    alpha(idx2) = temp_alpha;
    
    % 计算适应度
    [~, ~, ~, ~, ~, ~, ~, ~, mse1] = MSSA(A, K(idx1), alpha(idx1));
    [~, ~, ~, ~, ~, ~, ~, ~, mse2] = MSSA(A, K(idx2), alpha(idx2));
    fitness1 = mean(mse1);
    fitness2 = mean(mse2);
    
    % 更新最优解
    if fitness1 < fitness(idx1)
        fitness(idx1) = fitness1;
    end
    if fitness2 < fitness(idx2)
        fitness(idx2) = fitness2;
    end
    [min_fitness, min_idx] = min(fitness);
    K_opt = K(min_idx);
    alpha_opt = alpha(min_idx);
    
    % 更新迭代次数
    iter = iter + 1;
end
end

其中，`MSSA`函数是一个多重信号分解函数，可以根据自己的需要自行编写。在本函数中，我们假设`MSSA`函数返回了每个信号的平均包络谱熵，即`mse`。