CN110244554A - 一种基于图像的群改进天牛角算法的光束指向优化方法 - Google Patents

Abstract

本发明公开了一种基于图像的群改进天牛角算法的光束指向优化方法，采用启发式寻优算法对光束指向问题进行校正，在实际的操作过程中，可有效针对系统振动、大气湍流、装配误差等难以预知的指向影响因素进行校正；可应用于复杂的光束发射系统中，选用图像信息作为反馈量并对其进行校正，并采用群体方式改进天牛角算法，可以有效抑制校正过程中的局部极值状态，保证指向校正过程中不会陷入局部极值，保证校正精度；本发明操作简单、易于实现，可有效移植到嵌入式平台进行实现，并且算法收敛速度较快，实时性好，可提高光束指向系统的校正带宽。

Description

一种基于图像的群改进天牛角算法的光束指向优化方法

技术领域

本发明属于光电设备技术领域，具体涉及一种基于图像的群改进天牛角算法的光束指向优化方法。

背景技术

光束发射与控制技术是国防建设以及工业生产中的关键性技术之一，广泛应用于激光主动探测、光电干扰、高功率激光加工等一系列有关国家经济、军事发展的设施以及领域中。光束的稳定指向优化策略是光束控制技术的核心组成部分，其主要目的是实现光束指向的自由控制，确保发射光束稳定、可靠。在光束发射设备的应用场合中，光束指向不可避免的要受到来源于系统内外部影响的干扰，包括指向光学系统装配误差、系统震颤以及外部环境扰动等，此时光束的指向难以得到保障，需采用快速反射镜、液晶指向控制装置等可实时进行调节指向的仪器对其进行校正。而在实际使用过程中，系统的装配误差难以提前获取，并且系统振动是一实时变化量难以对其进行预测，而对于在大气中应用的场景，湍流会带来光束上的扩展与漂移，并且整个过程随机实时变化，对于非共口径的空间功率光束系统来说，各个光束之间发生混叠，难以准确提取。因此难以准确并且快速判别光束偏折误差并施加控制量进行校正。针对以上情况，可将远场光束的指向情况作为输出，并将指向控制器件的控制信号作为输入，从而构建反馈系统，并利用一系列的启发式优化算法从而实现光束指向的校正，补偿由于内外部各种不同因素所造成的光束指向上的偏差。

发明内容

有鉴于此，本发明的目的是提供一种基于图像的群改进天牛角算法的光束指向优化方法，可有效针对系统振动、大气湍流、装配误差等难以预知的指向影响因素进行校正，保证校正精度。

一种光束指向优化方法，包括如下步骤：

步骤1：在校正器件求解的控制空间随机产生光束指向的K组解，每个解的维度为N：

其中，K至少取2；N为校正器件的控制向量的个数；

步骤2：对每一组解各生成左右两个方向的状态量：

其中，rand(N,1)表示随机生成一个N×1维的数组，norm[rand(N,1)]表示对随机生成的N×1维的数组取模；α表示控制变量改变的步长值，取0到1之间的数值；

步骤3：将步骤2中获得的两个方向上状态量分别作为校正器件的控制向量，使校正器件将激光光束反射或者投射到靶面，分别提取两个方向上状态量对应的靶面上光斑形态，然后分别求解对应的评价函数：

步骤4：按照步骤3获得的两个方向上评价函数对该组解进行更新：

其中，β表示控制变量更新的迭代步长；

步骤5：将步骤4更新后的各组解分别作为校正器件的控制向量，使校正器件将激光光束反射或者投射到靶面，然后求解每组解对应的评价函数：选择评价函数最好的一组解作为最优解X^best，判断最优解的评价函数是否满足要求或者迭代次数达到设定次数：

如果否，使其他各组解均向最优解靠近，更新各组解：

Xⁱ＝Xⁱ+γ(X^best-Xⁱ)

其中，γ表示权值，取小于1的正数；Xⁱ表示除最优解以外的各组解；

将迭代次数累计一次，然后基于更新后的各组解，返回步骤2继续执行迭代；

如果是，则停止迭代，向校正器件输出该组解，完成光束执行校正。

进一步的，在步骤5中返回步骤2之前，针对每组解，如果陷入局部极值，则重新随机设定该组解，完成后与不需要重新随机设定的其它各组解组成更新后解，返回步骤2。

较佳的，所述步骤5中，针对每组解生成随机数，若其小于设定的概率值，则判定该组解陷入局部极值。

较佳的，所述N取10-20。

较佳的，控制迭代步长β在不断迭代中逐渐减小。

本发明具有如下有益效果：

本发明的一种基于图像的群改进天牛角算法的光束指向优化方法，采用启发式寻优算法对光束指向问题进行校正，在实际的操作过程中，可有效针对系统振动、大气湍流、装配误差等难以预知的指向影响因素进行校正；可应用于复杂的光束发射系统中，选用图像信息作为反馈量并对其进行校正，并采用群体方式改进天牛角算法，可以有效抑制校正过程中的局部极值状态，保证指向校正过程中不会陷入局部极值，保证校正精度；本发明操作简单、易于实现，可有效移植到嵌入式平台进行实现。并且算法收敛速度较快，实时性好，可提高光束指向系统的校正带宽。

附图说明

图1为本发明的方法流程图；

图2(a)为指向校正过程中未经校正的光束指向示意图；

图2(b)为指向校正过程中经过校正后的光束指向示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

光束指向校正方法通常包括如下步骤：

步骤一：激光器发射的激光经准直扩束过程后发射到指向校正器件上；

步骤二：校正器件反射或者投射激光束后经发射天线发射到靶面；

步骤三：安装在发射天线端的探测装置提取远场光斑形态，并将其转化为评价函数；

步骤四：利用评价函数经控制单元进行算法的迭代，并将得到的控制信号输入到校正器件的控制器中，控制信号经高压放大后施加到校正器件上，实现光束指向校正。

其中，由于远场的光束指向校正状态是校正器件控制参量的函数，其关系可以表示为：

S＝S(x₁,x₂,...,x_N)

S为光束指向校正状态，(x₁,x₂,…,x_N)为系统输入的控制参量。可以选取远场光斑形态信息作为系统直接的反馈量，并将此反馈量抽象为一具备极值点的函数，并且函数的极值点与校正状态具备相关性，当校正达到最优状态时，函数取得极值状态，可用桶中功率对其进行描述。桶中功率定义为以某一点为中心，固定半径内的光能与总靶面光能的比值，其数学定义为：

当指向得到校正时，以标准指向位置为圆心所围成的圆形应该具有最大的桶中功率值。此时校正问题可以转换为一函数极值求取问题：

此时可利用启发式寻优算法对以上问题进行求解。天牛角算法是对天牛觅食过程中的行为进行建模分析得到的优化算法。天牛感知两个触角天线方向的食物气味，通过评价函数衡量两个方向上的气味强度，下一步会向食物味道较强的方向进行偏摆，之后重复整个过程。传统的天牛角算法只考虑单个个体的规律，在寻优过程中极易陷入局部极值状态，导致校正过程无法达到最优。

在上述步骤四中，本发明采用群改进后的天牛角算法，在初始过程中随机初始多个个体，构成一个小规模群体。每个个体依然按照传统方式进行最优位置的求解，当每个个体完成迭代之后，寻找此时的全局最优个体，并使其它个体均按照一定的规律向着此时的方向进行迭代，从而将全部个体的位置得到一定的更新。在此过程中，针对每一个个体计算一随机值，当此随机值小于一定的概率时，个体会发生随机的位置变动，以此方法抑制群体陷入局部极值的可能性；如图1所示，具体的校正步骤包括：

步骤1：在求解的控制空间随机产生光束指向的K组解，每个解的维度为N：

将每组解都看作一个个体；

其中，个体数K至少取2，本实施例中，取10-20；N为校正器件的控制向量的个数；

步骤2：对每一组解各生成左右两个方向的状态量：

其中，rand(N,1)表示随机生成一个N×1维的数组，norm[rand(N,1)]表示对随机生成的N×1维的数组取模；α表示控制变量改变的步长值，为了保证能够准确寻优，其值不易过大，一般取0到1之间的数值。

步骤3：将步骤2中获得的两个方向上状态量分别作为校正器件的控制向量，使校正器件将激光光束反射或者投射到靶面，然后求解该两个方向上状态量分别对应的评价函数：

步骤4：按照步骤3获得的两个方向上评价函数对该组解进行更新：

其中，β表示控制变量更新的迭代步长，此值可根据迭代过程的具体进行不断改变，在迭代进行的初始，为了保证较快的搜索，可适当取一较大值，随着迭代的进行逐渐减小。

步骤5：将步骤4更新后的各组解分别作为校正器件的控制向量，使校正器件将激光光束反射或者投射到靶面，然后求解每组解对应的评价函数：选择评价函数最好的一组解作为最优解X^best，判断最优解的评价函数是否满足要求或者迭代次数达到设定次数：

如果否，使其他各组解均向最优解靠近，更新各组解：

Xⁱ＝Xⁱ+γ(X^best-Xⁱ)

其中，γ表示控制全部解向最优解趋近的权值，一般可取一小于1的正数。Xⁱ表示除最优解以外的各组解；

将迭代次数累计一次，然后基于更新后的各组解，返回步骤2继续执行迭代；

如果是，则停止迭代，向校正器件输出该组解，完成光束执行校正。

评价函数在求解过程中可能会存在多组局部最优解，为了增强群体解跳出局部极值的能力，扩充解的代表性，引入所求解的随机改变。为了避免局部极值，在步骤5中返回步骤2之前，针对每组解，需先判断是否需要初始化该组解：判断依据是：针对每个个体生成随机数，若其小于一定的概率值，说明需要重新初始化，即将该组解进行随机设定：X^k＝rand(N,1)；如果不需要重新初始化，则保留步骤5更新后的值，返回步骤2。

如图2(a)和图2(b)分别为校正前后的光束指向，初始状态下，光束经过校正反射镜反射后由于误差项的存在其出射位置存在一定的偏差，经校正后，反射镜状态发生改变，此时光束指向得到校正。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种光束指向优化方法，其特征在于，包括如下步骤：

步骤1：在校正器件求解的控制空间随机产生光束指向的K组解，每个解的维度为N：

其中，K至少取2；N为校正器件的控制向量的个数；

步骤2：对每一组解各生成左右两个方向的状态量：

其中，rand(N,1)表示随机生成一个N×1维的数组，norm[rand(N,1)]表示对随机生成的N×1维的数组取模；α表示控制变量改变的步长值，取0到1之间的数值；

步骤3：将步骤2中获得的两个方向上状态量分别作为校正器件的控制向量，使校正器件将激光光束反射或者投射到靶面，分别提取两个方向上状态量对应的靶面上光斑形态，然后分别求解对应的评价函数：

步骤4：按照步骤3获得的两个方向上评价函数对该组解进行更新：

其中，β表示控制变量更新的迭代步长；

步骤5：将步骤4更新后的各组解分别作为校正器件的控制向量，使校正器件将激光光束反射或者投射到靶面，然后求解每组解对应的评价函数：选择评价函数最好的一组解作为最优解X^best，判断最优解的评价函数是否满足要求或者迭代次数达到设定次数：

如果否，使其他各组解均向最优解靠近，更新各组解：

Xⁱ＝Xⁱ+γ(X^best-Xⁱ)

其中，γ表示权值，取小于1的正数；Xⁱ表示除最优解以外的各组解；

将迭代次数累计一次，然后基于更新后的各组解，返回步骤2继续执行迭代；

如果是，则停止迭代，向校正器件输出该组解，完成光束执行校正。

2.如权利要求1所述的一种光束指向优化方法，其特征在于，在步骤5中返回步骤2之前，针对每组解，如果陷入局部极值，则重新随机设定该组解，完成后与不需要重新随机设定的其它各组解组成更新后解，返回步骤2。

3.如权利要求2所述的一种光束指向优化方法，其特征在于，所述步骤5中，针对每组解生成随机数，若其小于设定的概率值，则判定该组解陷入局部极值。

4.如权利要求1所述的一种光束指向优化方法，其特征在于，所述N取10-20。

5.如权利要求1所述的一种光束指向优化方法，其特征在于，控制迭代步长β在不断迭代中逐渐减小。