基于遗传退火算法的光纤激光主动偏振控制技术研究 下载: 1031次
1 引言
高功率线偏振激光已经广泛应用于引力波探测、相干合成、频率转换以及远程激光通信等领域[1-5]。高功率线偏振光纤激光器具有结构简单、光束质量好、转化效率高、鲁棒性高等优点,是产生高功率线偏振激光的理想光源[6]。但是,保偏激光器需要比非保偏激光器更加复杂的光纤制造和熔接技术;非线性效应在保偏放大器中更容易出现,受激布里渊散射(SBS)和受激拉曼散射(SRS)等效应的阈值更低[7];并且受热光效应影响,保偏激光器更容易出现模式不稳定(MI)现象[8]。因此,保偏光纤激光器的功率提升比非保偏光纤激光器具有更大的挑战。迄今为止,文献报道的非保偏单纤激光最高输出功率已经超过20 kW[9],而保偏光纤激光器的最高功率仅为2.43 kW[10]。
对非保偏光纤激光器实施主动偏振控制技术是实现更高输出功率的一种新型技术途径。这一技术途径的实施方案是将算法施加到偏振控制器上,锁定输出激光的偏振态极值,从而实现在非保偏光纤放大器中得到高消光比的输出光。由于主动偏振控制的光纤激光器工艺相对简单,功率提升空间大,因此具有非常广阔的应用前景。
在光纤激光的主动偏振控制系统中,控制算法是实现高消光比偏振控制的核心技术,对整个系统的收敛时间和输出激光的消光比有着重要的影响,国内外的研究学者对其进行了探索。1989年,Aarts等[11]首次提出了采用三个光纤挤压器可对非线偏光纤激光进行无限偏振极化控制的概念。2005年,李伟文等[12]运用模拟退火(SA)算法进行了光纤激光主动偏振的仿真,得到了较稳定的输出偏振态。2008年,王铁城等[13]用粒子群优化(PSO)算法[14],对偏振控制系统进行了仿真模拟,得到了较低的搜索误差。2009年,Liu等[15]提出了一种快速定位(FLA)算法和梯度算法相结合的方法,可以较快速地找到目标的偏振态。2013年,Huang等[16]在FLA算法基础上提出了快速搜索算法,并且实现了20 mW的主动偏振控制转化验证。2016年,中国工程物理研究院和国防科技大学基于随机并行梯度下降(SPGD)算法的主动偏振控制技术在非保偏光纤激光器中分别实现了1 kW和1.43 kW的激光输出,偏振消光比均优于11 dB[17-18]。
本文建立了光纤激光主动偏振控制系统的数学模型,提出了一种改良型遗传退火(GASA)算法,综合了遗传算法(GA)和SA算法的优势,从而具有更强的搜索能力和更快的收敛速度[19]。传统的GA算法[20]具有很强的全局搜索能力,并且在算法的自变量较少的情况下具有较大的控制带宽,但是前期容易出现“早熟”现象,陷入局部最优值。而SA算法可以在前期跳出局部最优[21],弥补GA算法的缺陷。本文模拟了不同参量对于算法收敛特性的影响,分析了GASA算法适合偏振控制系统的最佳参量组合情况,可在20步左右的迭代次数内准确地收敛到全局极大值。通过比较GA算法和SPGD算法可知,GASA算法在主动偏振控制系统中的收敛速度和跳出局部最优解方面展示出独特的优势,具有普适性应用价值。
2 基本原理与理论模型
2.1 非线偏光纤激光主动偏振控制技术的基本原理
高功率光纤激光主动偏振控制技术的主要原理是利用光电探测器将输出激光的偏振误差信号转换为电信号,然后将其输送到算法控制器中;算法控制器通过采用一些优化算法产生补偿信号,反馈到激光器前端的偏振控制器上,对输出激光的偏振误差进行补偿,从而实现非保偏光纤激光器的近线偏振激光输出。
光纤激光主动偏振控制系统装置图如
图 1. 光纤激光主动偏振控制系统结构图
Fig. 1. Structure diagram of fiber laser active polarization control system
2.2 延迟量型偏振控制器的数学模型
偏振控制器(PC)是偏振自适应控制系统的核心器件,按照偏振控制器的控制原理可以分为延迟量型PC、相位角型PC和延迟量-相位角型PC三种。其中延迟量型PC具有响应速度快,便于用电驱动的特点,最适合作为偏振预补偿的执行器件。常见的延迟量型偏振控制器包括:基于电光效应的液晶型PC和基于压电效应的光纤挤压型PC。
对于延迟量型偏振控制器,3个相移变化范围是0~2π的延迟量模块就可以实现所有偏振态的遍历性[22],第4个延迟量模块是辅助模块,是为了防止偏振控制器在无端复位过程中导致的偏振态的突变。每一个延迟量模块的琼斯矩阵可以表示为
式中:α表示延迟量模块的快轴与水平方向的夹角。一般情况下3个模块的α分别取0°、45°、0°[23]。δ为偏振控制器对光的偏振态产生的相移,变化范围是0~2π。为了简化分析,忽略偏振控制过程中的无端复位,将3个相移模块的偏振控制器作为研究对象。
所以整个偏振控制器的琼斯矩阵可以表示为
任意光的琼斯矢量可以表示为
式中:θ为偏振态的方位角;φ为两个光矢量之间的相位差。那么输出光的琼斯矢量可以表示为
定义
2.3 遗传退火算法原理
GASA算法的流程图如
初始化种群操作就是将随机生成的相位延迟量组合(δ1,δ2,δ3)进行二进制编码,作为种群中的一条染色体,每个个体拥有一条特定的染色体。重复初始化N次,就可以得到数量为N的种群。然后对GASA算法的适应度函数进行选择,将其作为评价个体优劣的标准函数,并计算每个个体的种群适应度。
遗传操作包括选择、交叉和变异。其中,本文的选择操作采用“轮盘赌”的选择方式,即每个个体被选中的概率P与其适应度的大小成正比,用数学式可以表示为
式中:f(xi)为个体的适应度函数;
交叉操作在遗传操作中出现的概率比较大,对于维持种群的多样性具有非常重要的意义,是产生不同适应度个体的主要途径。本文采用算术交叉的方法,即在两个父代染色体上以一定的规则选择交叉位点,对两个等位基因进行交叉互换,产生两个新的子代染色体。算术交叉的过程可以表示为
式中:
变异操作是针对单个染色体进行的,在遗传操作中出现的概率比较小,但是却可以起到引入新的基因进入群体的作用,对于维持种群的多样性同样不可或缺。变异的操作可以表述为:首先,设置算法的变异概率Pm,然后,生成一个(0,1)的随机数β,如果β<Pm,那么在染色体上随机生成一个位置,对其进行“0”、“1”互换操作。如果β>Pm,那么就不进行变异操作。为了防止算法出现振荡特征,一般变异概率Pm应设置较小的数值。
模拟退火种群更新操作是在设置的模拟退火温度范围内,对前后两代个体的更替环节使用模拟退火思想。
假设f1、f2分别为迭代前后的两代适应度函数值,rand(0,1)表示生成的0到1之间的随机数,T为温度系数,令Δf=f2-f1≥0,则选择过程可以表示为
由于更新函数
3 数值仿真与结果分析
根据(6)式表示的原理,生成随机的φ、θ值,对系统进行基于GASA算法的仿真。在GASA算法中,影响算法收敛的主要参量是遗传算法中的适应度函数J、初始种群数量N、染色体交叉的概率Pe、变异的概率Pm以及模拟退火选择中的温度下降比例Pt。因此,为了实现遗传退火算法在光纤激光主动偏振控制模型中的最优控制效果,本文通过分别改变不同的参量,对影响GASA算法收敛的因素进行研究。
3.1 适应度函数
适应度函数是影响GASA算法收敛的参量之一。在算法仿真的过程中,可以选择的适应度函数主要有3种。
式中:J1表示垂直方向的偏振分量的光强度;J2表示输出激光的偏振度;J3表示输出激光的偏振消光比。在相同的算法参量下,对不同的适应度函数进行仿真。为了得到更加有统计意义的结论,对每种适应度函数进行多次运行取平均值。为了便于比较以及进行归一化处理,不同的适应度函数取得的收敛值最终都被写成了偏振度的形式,范围为(0, 1)。
由
3.2 初始种群数量
种群数量N是影响GASA算法的重要参量之二。一般情况下,当种群数量比较多时,算法寻找全局最优解的能力将会增强,但是会延长算法到达最优值的时间;种群数量比较少时,算法的全局搜索能力减弱,但是收敛时间也会缩短。因此,种群数量不宜过大也不宜过小,一般选择10~100为宜。因此,将遗传退火算法应用到主动偏振控制系统中,以J1作为适应度函数,分别选择20、50、60、70、80、90、100作为种群数量,对系统进行仿真实验,得到的结果如
从
图 4. N=20,50,60,70,80,100时,适应度函数的收敛曲线。(a)适应度函数随迭代步数的收敛曲线;(b)算法最后一步时适应度函数的值
Fig. 4. Convergence curves of fitness function for N=20, 50, 60, 70, 80, 100. (a) Convergence curves of fitness function with iteration number; (b) value of fitness function at the last step
3.3 染色体交叉的概率
染色体交叉的概率Pe是影响GASA算法收敛的重要参量之三。当Pe过大时,算法中高适应度个体的结构很快就会被破坏,使得算法不容易被收敛;当Pe过小时,搜索过程相对缓慢,算法甚至会停滞不前。一般Pe的值应选择在0.4~0.98。因此,分别选择Pe=0.4、0.6、0.7、0.8、0.9,对系统进行仿真实验,得到的结果如
图 5. Pe=0.4,0.6,0.7,0.8,0.9时的适应度函数收敛曲线。(a)适应度函数随迭代步数的收敛曲线;(b)算法在第90~100步时适应度函数的值
Fig. 5. Convergence curves of fitness function for Pe=0.4, 0.6, 0.7, 0.8, 0.9. (a) Convergence curves of fitness function with iteration number; (b) value of fitness function at the step of 90 to 100
从
3.4 染色体变异的概率
染色体变异概率Pm是影响GASA算法收敛性能的重要参量之四。如果变异概率Pm取值过小,则不易产生新个体结构;如果取值过大,则会退化成纯粹的随机搜索算法,甚至使算法产生振荡,难以收敛。一般Pm的取值在0.0001~0.2,于是分别取Pm=0.0001,0.001,0.01,0.1,0.2。对系统进行仿真实验,得到的结果如
从
图 6. Pm=0.0001,0.001,0.01,0.1,0.2时的适应度函数收敛曲线。(a)适应度函数随迭代步数的收敛曲线;(b)算法在第90~100步时适应度函数的值
Fig. 6. Convergence curves of fitness function for Pm=0.0001, 0.001, 0.01, 0.1, 0.2. (a) Convergence curves of fitness function with iteration number; (b) value of fitness function at the step of 90 to 100
3.5 模拟退火选择中的温度下降比率
模拟退火选择是GASA算法中非常重要的环节,温度下降比率影响着算法跳出局部最优解的能力。将模拟退火的初始温度设置为90,终止温度设置为89,温度下降比率分别设置为Pt=0.99,0.97,0.95,0.93,0.91,对其分别进行仿真实验,得到的结果如
图 7. Pt=0.99,0.97,0.95,0.93,0.91时的适应度函数收敛曲线
Fig. 7. Convergence curves of the fitness function for Pt=0.99,0.97,0.95,0.93,0.91
如
4 算法比较与分析
SPGD算法是以梯度下降算法为基础,结合串行扰动法和多通道小抖动法的新梯度下降算法[24]。双向扰动的SPGD算法前后两代之间的迭代公式可以写为
式中:k为迭代次数;u为施加的控制电压;δu 为扰动电压;r为迭代步长;J+为施加正向扰动后的评价函数;J-为施加负向扰动后的评价函数。因此,决定SPGD算法收敛特性的参量包括扰动电压的幅值δu和迭代步长r。为了研究SPGD算法中各参量的取值和算法收敛的关系,迭代步长r首先被设置为15。随机扰动序列{δum}(m=1,2,3)应该满足均值为0、方差相等,因此将{δum}设置为服从(-δu,+δu)的均匀分布。分别选择δu=0.02,0.04,0.06,0.08,0.10,对SPGD算法进行仿真实验,得到的收敛曲线如
图 8. δu=0.02,0.04,0.06,0.08,0.10时SPGD算法的评价函数收敛曲线
Fig. 8. Convergence curves of evaluation function of SPGD algorithm for δu=0.02, 0.04, 0.06, 0.08, 0.10
从
在δu=0.08和0.10的情况下,令迭代步长r=10,15,20,25,30,得到的收敛曲线分别如
图 9. 当δu=0.08,r=10,15,20,25,30时SPGD算法的评价函数收敛曲线
Fig. 9. Convergence curves of evaluation function of SPGD algorithm for δu=0.08 and r=10, 15, 20, 25, 30
图 10. 当δu=0.10,r=10,15,20,25,30时SPGD算法的评价函数收敛曲线
Fig. 10. Convergence curves of evaluation function of SPGD algorithm for δu=0.10 and r=10, 15, 20, 25, 30
从
图 11. 迭代过程中各个变量的变化曲线图。(a) 延迟量(δ1,δ2,δ3)相位变化曲线图;(b) 输出光θ和φ变化曲线图
Fig. 11. Change curves of each variable during the iteration. (a) Phase change curves of delay amounts (δ1,δ2,δ3); (b) change curves of output light θ and φ
5 结论
本文选择输出激光的偏振消光比作为适应度函数,将GASA算法加载到光纤激光主动偏振控制系统中进行仿真。通过对算法中不同参量的仿真研究,分析了算法中各个参量的变化对算法的收敛能力造成的影响,得出了适用于偏振控制系统快速收敛效果的优化参量组合,种群数量N设置为90,交叉概率Pe设置为0.7,变异概率Pm设置为0.001,温度下降比率Pt设置为0.99。进而证明了GASA算法适用于延迟量型偏振控制器,在搜索速度和跳出局部最优值能力方面具有明显的优势,可以完成任意偏振态的快速转换。
[2] Ma P F, Huang L, Wang X L, et al. High power broadband all fiber super-fluorescent source with linear polarization and near diffraction-limited beam quality[J]. Optics Express, 2016, 24(2): 1082-1088.
[3] Rulkov A B, Ferin A A, Popov S V, et al. Narrow-line, 1178 nm CW bismuth-doped fiber laser with 6.4 W output for direct frequency doubling[J]. Optics Express, 2007, 15(9): 5473-5476.
[4] 马成, 李金亮, 陈笑, 等. 基于中阶梯光栅的高分辨率可调谐光纤激光器[J]. 光学学报, 2019, 39(10): 1014001.
[5] 于文海, 冯迪, 梁日, 等. 基于对称性评估的保偏光纤偏振轴检测技术[J]. 光学学报, 2019, 39(2): 0211001.
[7] AgrawalG. Highly nonlinear fibers[M]. Amsterdam: Elsevier, 2013: 457- 496.
[8] Smith A V, Smith J J. Mode instability in high power fiber amplifiers[J]. Optics Express, 2011, 19(11): 10180-10192.
[9] ShinerB. The impact of fiber laser technology on the world wide material processing market[C]∥CLEO: 2013, San Jose, California. Washington, D.C.: OSA, 2013.
[11] Aarts W H J, Khoe G D. New endless polarization control method using three fiber squeezers[J]. Journal of Lightwave Technology, 1989, 7(7): 1033-1043.
[12] 李伟文, 章献民, 陈抗生, 等. 模拟退火算法在无端偏振控制器中的应用[J]. 光子学报, 2005, 34(6): 820-824.
[13] 王铁城, 刘铁根, 万木森, 等. 偏振复用系统中解复用端的偏振控制算法[J]. 光学与光电技术, 2008, 6(6): 9-12.
[14] 朱春霖, 焦庆斌, 谭鑫, 等. 应用于亚波长角向偏振金属光栅设计的快速收敛粒子群算法优化[J]. 光学学报, 2019, 39(7): 0705002.
[15] Liu Y, Chi H, Zhang X M, et al. A novel control scheme for four-plate retardation polarization controller[J]. Microwave and Optical Technology Letters, 2009, 51(1): 124-128.
[17] 王岩山, 颜宏, 彭万敬, 等. 基于主动偏振控制的1 kW窄线宽线偏振光纤激光器[J]. 中国激光, 2016, 43(5): 0519001.
[18] Su R T, Liu Y K, Yang B L, et al. Active polarization control of a 1.43 kW narrow linewidth fiber amplifier based on SPGD algorithm[J]. Journal of Optics, 2017, 19(4): 045802.
[20] Whitley D. A genetic algorithm tutorial[J]. Statistics and Computing, 1994, 4(2): 43-53.
[21] Kirkpatrick S, Gelatt C D, Vecchi M P. Optimization by simulated annealing[J]. Science, 1983, 220(4598): 671-680.
[22] 张启业, 朱勇, 苏洋, 等. 光纤挤压型偏振控制器的“极地盲区”问题研究[J]. 光学学报, 2013, 33(5): 0506001.
[23] 廖延彪. 偏振光学[M]. 北京: 科学出版社, 2003: 20- 22.
Liao YB. Polarization optics[M]. Beijing: Science Press, 2003: 20- 22.
[24] Vorontsov M A, Sivokon V P. Stochastic parallel-gradient-descent technique for high-resolution wave-front phase-distortion correction[J]. Journal of the Optical Society of America A, 1998, 15(10): 2745-2758.
Article Outline
尤阳, 漆云凤, 沈辉, 邹星星, 何兵, 周军. 基于遗传退火算法的光纤激光主动偏振控制技术研究[J]. 光学学报, 2020, 40(23): 2314002. Yang You, Yunfeng Qi, Hui Shen, Xingxing Zou, Bing He, Ju Zhou. Research on Active Polarization Control System of Fiber Laser Based on a Mixed Genetic Algorithm and Simulated Annealing Algorithm[J]. Acta Optica Sinica, 2020, 40(23): 2314002.