空间光波前畸变校正中的元启发式SPGD算法
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.
自适应光学、波前畸变校正、随机并行梯度下降算法、元启发式算法
51
TN929.12
国家自然科学基金61671095
2022-09-02(万方平台首次上网日期,不代表论文的发表时间)
共11页
424-434