自适应光学系统几种随机并行优化控制算法比较[J].docVIP

. . 　　 本文档下载自 HYPERLINK / 文库下载网，内容可能不完整，您可以点击以下网址继续阅读或下载：  HYPERLINK /doc/193566afdd88d0d232d46a1c.html /doc/193566afdd88d0d232d46a1c.html 自适应光学系统几种随机并行优化控制算法比较 第20卷 第1期 2008年1月HIGHPOWERLASERANDPARTICLEBEAMS强激光与粒子束Vol.20,No.1 Jan.,2008 文章编号: 1001-4322(2008)01-0011-06 自适应光学系统几种随机并行优化控制算法比较 杨慧珍1,2*, 李新阳, 姜文汉11 (1.中国科学院光电技术研究所,成都610209;2.中国科学院研究生院,北京100039) 摘 要: 直接对系统性能指标进行优化是自适应光学系统中一种重要的波前畸变校正方法,选择合适的 随机并行优化控制算法是该技术成功实现的关键。以32单元变形镜为校正器,基于多种随机并行优化算法建 立自适应光学系统仿真模型。从算法的收敛速度、校正效果、局部极值3个方面对遗传算法、单向扰动随机并 行梯度下降、双向扰动随机并行梯度下降及模拟退火算法进行了比较。仿真结果表明,遗传算法收敛速度太 慢,不适用于需要实时控制的自适应光学系统;双向扰动随机并行梯度下降算法收敛速度、校正效果要优于单 向扰动随机并行梯度下降,且能够适应各种情况下的扰动电压;模拟退火几乎以概率1收敛到全局极值附近, 且收敛速度是上述算法中最快的。 关键词: 自适应光学系统; 随机并行梯度下降算法; 模拟退火; 遗传算法; 数值仿真 中图分类号: TP273.2 文献标识码: A 随机并行优化控制技术是一种对系统性能指标直接进行优化的自适应光学控制技术,无需利用波前传感信息进行相位重构,使得系统复杂性大大降低,该控制方法适用于大多数类型的自适应光学系统。随着自适应光学应用领域的扩展,如在大气光通信等没有信标光的应用场景,以及存在强闪烁现象的大气长程传输应用场景中,基于波前传感器的常规自适应光学控制技术的应用受到限制。近年来,基于系统性能指标直接优化的自适应光学控制技术,由于其硬件实现上的简单性及对闪烁等复杂环境条件的适应性,越来越受到自适应光学研究领域???重视。 目前国内外常用的优化算法包括随机并行梯度下降(SPGD)[1-3]、遗传算法(GA)[4]、模拟退火(SA)[5/doc/193566afdd88d0d232d46a1c.html-6]等。这几种算法仅利用性能指标的测量值进行控制参数的优化,且并行方式的实现对高维优化问题有着其独特的优势。自适应光学系统正是这样一个多维控制系统,本文基于同样的仿真平台,从算法的收敛性、校正效果、收敛速度等出发,比较随机并行梯度下降算法、遗传算法、模拟退火算法在自适应光学系统中的应用情况,寻找收敛速度和校正性能相对较好的算法,为把随机并行优化控制算法应用到实际自适应光学系统中去进行初步的探索。 1 仿真模型 图1为采用随机并行优化控制算法的自适应光学系统工作原理图。由32单元变形镜、光源、成像系统、 性能指标分析模块及优化算法模块组成。图1中各符号 意义如下:U(r)是原始畸变波前;u(r)是变形镜引入的 校正相位; 正交于光轴的平面中的向量;U(r)和u(r)都是连续函 数;J为系统性能指标;u=u1,u2,,,u32为控制变 形镜32个驱动器的电压向量。 系统工作原理如下:性能指标分析模块计算性能指 标J及其变化量$J,优化算法模块根据$J利用优化 算法计算出u=u1,u2,,,u32,并施加到变形镜各驱 动器;再次由指标分析模块计算校正相位后残余波前的Fig.1 BlockdiagramofAOsystem图1 系统工作原理图 系统性能指标;如此迭代进行,直至满足系统对指标的要求为止。迭代的过程则是在参数空间中寻找最佳电压*收稿日期:2007-07-24; 修订日期:2007-11-09 基金项目:国家高技术发展计划项目),com。 12强激光与粒子束第20卷向量u=u1,u2,,,u32,使得变形镜逐步生成一个趋于原始波前-U(r)的u(r),从而使残余波前 图2为32单元变形镜驱动器排布图,各驱动器成正方形排布,影响函数为高斯形式。采用自适应光学领域通用的系统性能评价标准)))斯特列尔比(SR)作为算法优化的性能指标J。待校正像差由前10/doc/193566afdd88d0d232d46a1c.html阶Zern-ike多项式随机生成,从3到10各阶系数如下:Z(3)=1.288,Z(4)=0.35,Z(5)=-0.32,Z(6)=0.3,Z(7)=-0.28,Z(8)=-0.25,Z(9)=0