本文關(guān)鍵詞：群智能優(yōu)化算法在基于自適應(yīng)光學(xué)的FSO系統(tǒng)中的應(yīng)用研究　出處：《吉林大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 自由空間光通信 自適應(yīng)光學(xué) 群智能優(yōu)化 個體數(shù)目 評價指標

【摘要】：近些年來隨著航天事業(yè)發(fā)展的需要,自由空間光通信(FSOC,Free space optical communication)獲得飛速的發(fā)展。FSO通信系統(tǒng)通信潛力巨大,所以許多國家投入大量資金用于FSO通信技術(shù)的研究。FSO通信系統(tǒng)以其寬頻帶、低成本、無需頻帶認證等優(yōu)點,迅速在深空、中軌道、地面站之間的通信中應(yīng)用。通常情況下我們把衛(wèi)星間的激光通信稱為空間光通信,地面站之間的激光通信稱為大氣激光通信。FSO通信技術(shù)目前還面臨一些問題:激光在大氣中傳輸受到大氣散射、大氣吸收、大氣湍流閃爍、大氣湍流散斑以及大氣多路效應(yīng)的影響,造成光功率衰減、碼間干擾、接收功率衰減、光斑中心漂移等現(xiàn)象,引起通信質(zhì)量下降。目前,大氣湍流影響是FSO通信實用化的最主要的問題之一。人們針對大氣湍流影響進行大量理論探索和實驗研究。近年來,利用自適應(yīng)光學(xué)(AO,Adaptive optics)技術(shù)解決FSO通信系統(tǒng)中大氣湍流的影響越來越受到人們的重視。前人針對AO技術(shù)在FSO中應(yīng)用,提出很多經(jīng)典算法,如隨機并行梯度下降(SPGD,Stochastic parallel gradient descent)算法、模擬退火(SA,Simulated annealing)算法,爬坡法(HC,Hill climbing)以及遺傳算法(GA,Genetic algorithm)等算法。這些算法中,SPGD算法的應(yīng)用最為成熟。但是很少有人將群智能優(yōu)化算法應(yīng)用到FSO通信系統(tǒng)中。本文在分析大氣湍流對FSO通信系統(tǒng)的影響的基礎(chǔ)上,介紹實驗用到的FSO通信實驗系統(tǒng),將粒子群算法(PSO,Particle swarm optimization)、蛙跳算法(SFLA,Shuffled frog leading algorithm)和混合蛙跳算法(MSFL,Modified shuffled frog leaping algorithm)應(yīng)用到實驗系統(tǒng)中。本文主要探究群智能優(yōu)化算法對高階像差的補償。為了評價群智能優(yōu)化算法的表現(xiàn),我們把SPGD算法作為對比實驗對象。在實驗中經(jīng)過多次探索,提出一種評價補償效果的系統(tǒng)性能指標J。J與光斑的斯特列爾比(SR,Strehl rate)成正比,所以J能夠正確評價補償效果。另一方面,J計算方便,在實驗中表現(xiàn)穩(wěn)定,應(yīng)用方便。實驗分別探究了個體數(shù)目對PSO、SFLA和MSFL算法的影響。實驗表明,個體數(shù)目影響PSO算法的全局收斂性,對SFLA和MSFL算法的全局收斂影響較小;個體數(shù)目的增加會加快三種算法的收斂速度。實驗對比SPGD、MSFL、SFLA和PSO算法發(fā)現(xiàn):在一定數(shù)目的前提下,群智能優(yōu)化算法全局收斂的速度要遠遠快于SPGD算法;與SPGD算法在不同像差下收斂次數(shù)變化大并且可能出現(xiàn)局部收斂相比,群智能優(yōu)化算法表現(xiàn)更加穩(wěn)定,收斂速度變化不大并且不會局部收斂。對比三種群智能優(yōu)化算法實驗中的表現(xiàn),當(dāng)個體數(shù)目合適時,三種算法均能達到或者非常接近全局最優(yōu);對于相同初始像差個體數(shù)目相同時,MSFL算法的收斂速度最快。另一方面,在比較MSFL和SFLA算法發(fā)現(xiàn),MSFL算法對“精英蛙”處理之后,可以解決SFLA算法中容易在收斂過程中在局部收斂過多的問題。
[Abstract]:In recent years, with the development of aerospace industry, the FSOC of free space optical communication has been developed. Free space optical communication has gained rapid development. The communication potential of FSO communication system is huge. Therefore, many countries invest a lot of money in the research of FSO communication technology. Because of its advantages of wide band, low cost, no band authentication and so on, FSO communication system is rapidly in deep space and middle orbit. The application of communication between earth stations. Usually we call the laser communication between satellites as space optical communication. The laser communication between earth stations is called atmospheric laser communication. FSO communication technology still faces some problems at present: laser propagation in the atmosphere is scattered by atmosphere, atmospheric absorption, atmospheric turbulence scintillation. The effects of atmospheric turbulence speckle and atmospheric multipath effect cause optical power attenuation, inter-symbol interference, reception power attenuation, spot center drift and so on, which lead to the decrease of communication quality. Atmospheric turbulence effect is one of the most important problems in the application of FSO communication. A large number of theoretical and experimental studies have been carried out on atmospheric turbulence effects. In recent years, adaptive optics have been used to study the effects of atmospheric turbulence. Adaptive techniques have been paid more and more attention to solve the influence of atmospheric turbulence in FSO communication system. According to the application of AO technology in FSO. Many classical algorithms are proposed, such as stochastic parallel gradient descent parallel gradient descenting algorithm. Simulated annealing (SA) algorithm, climbing method (HCH Hill climbing) and genetic algorithm (GA). Genetic algorithms and so on. The application of SPGD algorithm is the most mature, but few people apply swarm intelligence optimization algorithm to FSO communication system. This paper analyzes the influence of atmospheric turbulence on FSO communication system. The FSO communication experiment system used in the experiment is introduced. The particle swarm optimization algorithm (PSO) is introduced. The particle swarm optimization (PSO) algorithm and the breaststroke algorithm (SFLA) are introduced. Shuffled frog leading algorithm and hybrid leapfrog algorithm MSFL. Modified shuffled frog leaping algorithm). In order to evaluate the performance of swarm intelligence optimization algorithm, this paper mainly discusses the compensation of high order aberration by swarm intelligence optimization algorithm. We take the SPGD algorithm as the contrast experiment object. After many explorations in the experiment, we propose a system performance index J.J and the Steller-Beamer SR of the spot to evaluate the compensation effect. Strehl rate is proportional, so J can evaluate the compensation effect correctly. On the other hand, J is easy to calculate and stable in the experiment. The effect of the number of individuals on the PSO-SFLA and MSFL algorithm is investigated in the experiment. The experiment shows that the number of individuals affects the global convergence of the PSO algorithm. It has little influence on the global convergence of SFLA and MSFL algorithms. The increase of the number of individuals will accelerate the convergence rate of the three algorithms. The global convergence speed of swarm intelligence optimization algorithm is much faster than that of SPGD algorithm. Compared with the convergence times of SPGD algorithm under different aberrations and the possibility of local convergence, the swarm intelligence optimization algorithm is more stable. When the number of individuals is suitable, the three algorithms can reach or very close to the global optimum. For the same initial aberration with the same number of individuals, the convergence rate of the MSFL algorithm is the fastest. On the other hand, after comparing the MSFL and SFLA algorithms, we find that the MSFL algorithm deals with the "elite frog". It can solve the problem of local convergence in SFLA algorithm.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN929.1;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 蔣騰旭;;智能優(yōu)化算法概述[J];電腦知識與技術(shù)(學(xué)術(shù)交流);2007年08期

2 王勇;蔡自興;;“智能優(yōu)化算法及其應(yīng)用”課程教學(xué)的實踐與探索[J];計算機教育;2009年11期

3 王夢蘭;;智能優(yōu)化算法的比較與改進[J];中國水運;2012年12期

4 莫愿斌;劉賀同;王勤;;智能優(yōu)化算法的綜述教學(xué)研究[J];科技創(chuàng)新導(dǎo)報;2008年13期

5 紀潔;顧偉;張松勇;;一種新型生物地理學(xué)智能優(yōu)化算法及其比較研究[J];上海電力學(xué)院學(xué)報;2012年01期

6 于宏宇;;智能優(yōu)化算法的應(yīng)用研究[J];電腦編程技巧與維護;2012年20期

7 劉靜;;淺析智能優(yōu)化算法[J];計算機光盤軟件與應(yīng)用;2014年10期

8 吳春梅;;現(xiàn)代智能優(yōu)化算法的研究綜述[J];科技信息;2012年08期

9 常洪浩;馮祖仁;張兆軍;徐明釗;;一種智能優(yōu)化算法解質(zhì)量評價方法[J];控制與決策;2013年11期

10 李廣軍;孫曉玲;趙炯;;智能優(yōu)化算法及其在焊接優(yōu)化設(shè)計領(lǐng)域的應(yīng)用[J];電焊機;2011年06期

相關(guān)會議論文 前3條

1 張曉菲;張火明;高明正;;三種智能優(yōu)化算法的研究進展[A];中國儀器儀表學(xué)會第十一屆青年學(xué)術(shù)會議論文集[C];2009年

2 張火明;孫小麗;高明正;;智能優(yōu)化平臺設(shè)計[A];中國儀器儀表學(xué)會第十一屆青年學(xué)術(shù)會議論文集[C];2009年

3 孫俊清;李平;韓梅;;裝卸橋調(diào)度問題及其混合智能優(yōu)化算法GASA[A];第二十六屆中國控制會議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 伍國華;基于勘探和開采策略控制的智能優(yōu)化算法及其應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

2 路靜;智能優(yōu)化算法在電磁場逆散射中的應(yīng)用研究[D];河北工業(yè)大學(xué);2014年

3 何小鋒;量子群智能優(yōu)化算法及其應(yīng)用研究[D];上海理工大學(xué);2014年

4 趙夢玲;基于智能優(yōu)化算法的聚類分析及應(yīng)用[D];西安電子科技大學(xué);2015年

5 王莽;智能優(yōu)化算法表型空間的動態(tài)行為學(xué)分析與應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2017年

6 楊勁秋;智能優(yōu)化算法評價模型研究[D];浙江大學(xué);2011年

7 豐小月;基于量子機制與組合方法的智能優(yōu)化算法及應(yīng)用研究[D];吉林大學(xué);2008年

8 馮春時;群智能優(yōu)化算法及其應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2009年

9 高永超;智能優(yōu)化算法的性能及搜索空間研究[D];山東大學(xué);2007年

10 唐正茂;智能優(yōu)化算法適用性研究及其在船舶工程中的應(yīng)用[D];華中科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 葉樹錦;基于群智能優(yōu)化算法的收斂控制器框架及其應(yīng)用[D];華南理工大學(xué);2015年

2 趙杰;群智能優(yōu)化算法在聚類分析中的應(yīng)用研究[D];陜西師范大學(xué);2015年

3 張振星;基于智能優(yōu)化算法的電站鍋爐燃燒優(yōu)化[D];華北電力大學(xué);2015年

4 郝曉亮;基于智能優(yōu)化算法的Jiles-Atherton磁滯模型參數(shù)計算研究[D];浙江師范大學(xué);2015年

5 李艷良;基于多目標智能優(yōu)化算法的可重構(gòu)天線優(yōu)化與設(shè)計[D];電子科技大學(xué);2014年

6 薛威力;基于方差的智能優(yōu)化算法參數(shù)調(diào)整的研究[D];西安工程大學(xué);2016年

7 陳鋼;基于函數(shù)優(yōu)化問題的兩種混合智能優(yōu)化算法[D];華中科技大學(xué);2014年

8 趙博偉;多目標智能優(yōu)化算法及其天線設(shè)計應(yīng)用的研究[D];南京郵電大學(xué);2016年

9 王建;群智能優(yōu)化算法的MapReduce化實現(xiàn)[D];南京郵電大學(xué);2016年

10 朱達祥;群體智能優(yōu)化算法—粒子群算法的研究和改進[D];江南大學(xué);2017年

，

本文編號：1381613