空间光波前畸变校正中的元启发式SPGD算法
摘要
为了改善传统随机并行梯度下降(Stochastic Parallel Gradient Descent, SPGD)算法收敛速度慢且容易陷入局部极值的问题，提出了一种元启发式随机并行梯度下降(Meta-Heuristic SPGD, MHSPGD)算法。该算法将SPGD算法和元启发式算法的开发与探索两步结合，首先利用SPGD算法的梯度下降搜索得到局部最优解，然后进行邻域搜索得到局部最优区域以外的可能最优解，通过所有解性能指标的比较来确定新的迭代起点。随着搜索范围的自适应扩展，该算法能够避免陷入局部极值并趋向收敛于全局最优。同时，为了避免重复搜索，建立了记忆表来记录迭代过程中产生的次最优解。搭建了无波前探测器自适应光学系统模型，运用所提算法对不同湍流强度下的波前畸变进行了仿真校正，并针对不同Zernike阶数的像差进行了仿真实验。在三种湍流强度下，MHSPGD算法所能达到的斯特列尔比(Strehl Ratio, SR)分别为0.7621、0.6554、0.3749，相比于SPGD算法分别提升了0.1%、2%和18.6%。此外，当畸变中含有较多高阶成分时，文中所提优化算法相比传统的SPGD算法，SR收敛到0.6所需的迭代次数减少了约47%，且SR收敛极限值也提升了约9.4%。结果表明：与三种主流优化算法相比，MHSPGD在保持较快收敛速度的同时，能够在各种湍流强度下达到更高的收敛极限，有效地解决了算法的局部收敛问题。
引用本文（GB/T 7714）
赵辉 Zhao Hui, 吕典楷 Lv Diankai, 安静 An Jing, 等. 空间光波前畸变校正中的元启发式SPGD算法[J]. Infrared and Laser Engineering, 2022.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。