使用單線演算法的二維纖維排列 -有解無憂

我一直在撰寫一些代碼，用于將我的纖維（其X、Y、Z位置由電機控制）自動對準光源。為此，我撰寫了axis.move_to(pos)方法來移動軸到一個位置，以及pm.meas_power()方法來從我的功率計測量光功率。

我的目標是找到最佳的（Y，Z）位置（X在這個階段不需要），以使光功率最大化。現在，與光斑大小相比，搜索區域相當大，因此，如果我從一個只發現噪音的區域開始，簡單的梯度搜索將無濟于事，所以我所做的是在搜索區域內隨機移動，一旦發現功率高于某個閾值，就轉到爬坡演算法。

這樣做的問題是，它的效率相當低。優化的第一種方法是以螺旋方式而不是隨機方式搜索第一道光，但從計算上看，這并沒有真正改善步驟的數量。

相反，我遇到了simplex演算法，據說它產生的結果要比爬山好得多。我發現 scipy 有一個 optimize.linprog() 方法，它有一個單純的演算法，但在我看來，這只適用于一維問題。

我試圖閱讀檔案并撰寫自己的代碼，但是我對優化知之甚少，所以我很難真正理解它是如何作業的。

我想知道你是否可以幫助我寫一個演算法，給定[ystart, zstart, yend, zend]，即搜索區域的限制，以及我的兩個方法axis.move_to(pos)和pm. meas_power()：

from labFunctions import PowerMeter, MotorAxis

pm = PowerMeter('pm_address')
y軸 = MotorAxis('y_address')
z軸 = MotorAxis('z_address')

limits = [ystart, zstart, yend, zend] # 如果需要的話，這些可以用不同的格式化。

uj5u.com熱心網友回復：

不幸的是，有兩種非常不同的Simplex方法：

用于無約束非線性問題的Nelder-Mead Simplex方法。這個方法在你所鏈接的論文中提到了。https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.html包含此方法為Nelder-Mead。

用于線性規劃問題的Simplex方法。linprog是關于這個方法的。

uj5u.com熱心網友回復：

我認為你的問題是物理問題，因此你在錯誤的論壇上提問。盡管如此，我將嘗試回答。

如果你試圖匹配激光器的TEM00模式，你在達到閾值功率后的爬坡演算法是一個非常好的細化策略，因為功率曲線沒有任何其他最大值。

關于隨機搜索，我認為如果你無法在物理上限制搜索空間，你不妨在一個等距網格上進行隨機搜索，網格點大約是激光光斑大小的一半。

轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/308828.html

標籤：

上一篇：以下關于O(n)的說法是否正確？

下一篇：尋找串列中的唯一陣列