بهینه‌سازی شاهین هریس پیشرفته مبتنی بر استراتژی چندگانه برای بهینه‌سازی سراسری و مسائل تخمین کانال مبتنی بر یادگیری عمیق

عنوان فارسی مقاله:بهینه‌سازی شاهین هریس پیشرفته مبتنی بر استراتژی چندگانه برای بهینه‌سازی سراسری و مسائل تخمین کانال مبتنی بر یادگیری عمیق

چکیده

بهینه‌سازی شاهین هریس (HHO) رفتار شکار مشارکتی شاهین هریس را شبیه‌سازی می‌کند و از مزایای پارامترهای کنترلی کمتر، اصول ساده و توانایی بهره‌برداری عالی برخوردار است. با این حال، HHO همچنین دارای معایب همگرایی کند و سقوط آسان به بهینه محلی است. با در نظر گرفتن موارد فوق، این مقاله یک بهینه‌سازی شاهین هریس پیشرفته چند استراتژی (MEHHO) را پیشنهاد می‌کند. در مرحله اول، عملگر نقشه-قطب نما و استراتژی جهش کوشی برای افزایش تنوع جمعیت و بهبود توانایی الگوریتم برای پرش از بهینه محلی استفاده می‌شود. در مرحله دوم، یک استراتژی حرکت مارپیچی برای بهبود مرحله کاوش برای افزایش کارایی جستجو معرفی شده است. در نهایت، سرعت همگرایی و دقت الگوریتم با انتخاب حریصانه بهبود می‌یابد تا افراد غالب را به طور کامل حفظ کند. قابلیت جستجوی جهانی MEHHO پیشنهادی توسط ۲۸ تابع تست معیار تأیید می‌شود و سپس پارامترهای شبکه یادگیری عمیق مورد استفاده برای تخمین کانال با استفاده از MEHHO برای تأیید عملی بودن MEHHO بهینه‌سازی می‌شوند. نتایج تجربی نشان می‌دهد که MEHHO پیشنهادی مزایای بیشتری در حل مسائل بهینه سازی جهانی و بهبود دقت روش تخمین کانال بر اساس یادگیری عمیق دارد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Multi-Strategy Enhanced Harris Hawks Optimization for Global Optimization and Deep Learning-Based Channel Estimation Problems

Abstract

Harris Hawks Optimization (HHO) simulates the cooperative hunting behavior of Harris hawks and it has the advantages of fewer control parameters, simple principles, and excellent exploitation ability. However, HHO also has the disadvantages of slow convergence and easy falling into local optimality. Aiming at the above shortcomings, this paper proposes a Multi-strategy Enhanced Harris Hawks Optimization (MEHHO). Firstly, the map-compass operator and Cauchy mutation strategy are used to increase the population diversity and improve the ability of the algorithm to jump out of the local optimal. Secondly, a spiral motion strategy is introduced to improve the exploration phase to enhance search efficiency. Finally, the convergence speed and accuracy of the algorithm are improved by greedy selection to fully retain the dominant individuals. The global search capability of the proposed MEHHO is verified by 28 benchmark test functions, and then the parameters of the deep learning network used for channel estimation are optimized by using the MEHHO to verify the practicability of the MEHHO. Experimental results show that the proposed MEHHO has more advantages in solving global optimization problems and improving the accuracy of the channel estimation method based on deep learning.