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 下载: 1245次
1 引言
亚波长角向偏振金属光栅(SAPG)作为二氧化碳激光器谐振腔的后腔镜,可以使二氧化碳激光器输出角向偏振光,提高激光加工的效率[1-3]。因具有较好的偏振选择特性,光栅后腔镜成为产生高功率矢量偏振光束的首选器件[4]。光栅通常设计为同心环状,其亚波长结构能够保证沿角向偏振的横电(TE)光近乎全部反射,而沿径向偏振的横磁(TM)光受到光栅参数的调制,从而实现偏振选择,并使角向偏振光在谐振腔内形成振荡,最终使激光器输出具有较高纯度的角向偏振光[5-7]。亚波长金属光栅的设计方法有模态法、传输矩阵法、电感电容电路模型分析法,以及有效介质理论与薄膜抗反射设计相结合的方法等[8-14]。基于模态法与有效介质理论,可根据需要通过逆向设计得到光栅各项参数。然而,对于亚波长角向偏振金属光栅而言,为了使光栅能够在高功率激光环境下正常工作,器件需要采用全金属结构以增加其导热性。对于衬底也为金属的全金属结构器件,有效介质理论与薄膜抗反射设计相结合的方法并不适用,且在设计过程中,每次计算只能针对单一波长进行设计,无法同时考虑整个波段的情况。
粒子群算法(PSO)是由Kennedy和Eberhart[15-16]于1995年提出的,属于进化算法的一种,可进行多参量最优化。PSO可以进行波段匹配,对多个波长同时进行设计优化[17-19]:通过在选定的波段范围内取一定数目的波长值作为匹配点,采用最小二乘法得到最优参数。在优化过程中,计算衍射效率的严格耦合波(RCWA)是最耗费计算资源的一步,优化算法的设计应尽量使RCWA的调用次数达到最小。在粒子群规模和匹配点数目
结合亚波长角向偏振金属光栅设计的具体情况,本文提出了改进的PSO算法。改进的PSO算法包括中心波长寻找近似最优和多波长匹配搜索波段最优两步。首先寻找中心波长下能够使光栅偏振选择特性达到最好的结构参数,作为近似最优点;然后将找到的近似最优点代入多波长寻优的算法中,作为诱导粒子,使其他粒子在算法初期快速地飞向目标区域。在速度更新公式中,采用基于粒子位置不断变化的惯性权重因子,减弱搜索粒子在群体最优附近的振荡,减少了冗余迭代,从而提高了收敛速度和设计效率,减少了RCWA调用次数。
2 设计算法
2.1 设计目标
亚波长角向偏振金属光栅结构如
图 1. 亚波长角向偏振金属光栅。(a) 光栅为同心环结构; (b) 光栅横截面示意图
Fig. 1. Subwavelength azimuthally polarized metal grating. (a) Grating with concentric ring structure; (b) cross section of grating
2.2 衍射效率计算方法
在采用粒子群算法进行光栅参数的最优化时,需要在优化过程中计算光栅参数的衍射效率曲线,并将其与目标衍射效率曲线进行对比,通过对比结果指导光栅参数的迭代。通过光栅参数计算衍射效率时采用RCWA。1981年,Moharam等[29]提出RCWA理论,其基本原理是将待求解的光栅区域进行水平分层,将每层的介电常数用Fourier级数展开,利用Maxwell方程组写出耦合波方程,通过边界匹配条件求解耦合波方程组,进而计算出反射区域、光栅区域和透射区域的电磁场分布,得到衍射效率[29-30]。
对于所研究的Au-Ti-Cu结构光栅(
在光栅调制区域,由于光栅具有周期性结构,因而此区域的介电常数可以用Fourier级数展开,即
式中:
其中
区域Ⅰ中的电场分布可表示为
式中:
区域Ⅲ中的电场分布可表示为
式中:
区域Ⅱ中的电场和磁场可分别表示为
式中:
对于TE波,电场
式中:
式中:
求出耦合波方程的解为
式中:
1) 当
式中:
2) 当
通过边界条件求出
式中:下标TE代表横电波;
对于TM波,
式中:下标TM代表横磁波;
2.3 基于粒子位置调整惯性权重的PSO
基于粒子位置调整惯性权重的PSO (PDW-PSO)分为两个步骤:1)中心波长寻找近似最优;2)多波长匹配搜索波段最优。第一步计算出光栅在10.6 μm处TM光的反射率最低时的结构参数,此结构参数为近似最优。将此结构参数作为诱导粒子代入第二步的粒子群中,计算出光栅在9.6~11.6 μm波段内TM光的反射率最低时的结构参数,此结构参数即为所求的波段最优。两步中粒子数
2.3.1 中心波长寻找近似最优
如
对于每一个粒子,第一步的适应度定义为由其位置向量中
式中:
位置更新是迭代过程中的关键步骤。对于第
式中:
权重因子
基于粒子位置调整惯性权重因子
式中:
经多次实验,发现当
通过中心波长寻找近似最优,可以计算出近似最优结构参数。
2.3.2 多波长匹配搜索波段最优
通过第一步,即中心波长寻找近似最优计算出近似最优结构参数后,将其作为一组初始值加入第二步,即多波长匹配搜索波段最优的粒子群中。如
式中:
3 结果与讨论
计算得到的结果为
3.1 算法的收敛速度
改进的PDW-PSO算法基于粒子位置计算惯性权重
式中:
分别运行30次,收敛时运行的平均迭代次数(记为
图 6. 三种不同形式的目标衍射效率曲线和设计结果。(a)多峰谱线; (b)窄带谱线; (c)宽波段谱线
Fig. 6. Object diffraction efficiency curves and designed results of three different types. (a) Multi-peak curves; (b) narrow-band curves; (c) broad-band curves
表 1. 3种PSO的平均迭代次数
Table 1. Average iteration times of three PSO algorithms
|
由
在算法的各个步骤中,调用RCWA计算衍射效率(
对于PSO和IDW-PSO来说,RCWA的调用次数(
对于PDW-PSO,第一步的匹配点数目为1,因而总的RCWA调用次数为
舍弃
由
表 2. 不同目标谱线下三种方法的RCWA平均调用次数
Table 2. Average calling times of RCWA of three algorithms under different object curves
|
3.2 算法的准确度
在优化过程中,有时算法会陷入局部最优,收敛到错误的点上。用算法收敛到正确位置的运行次数占总运行次数的百分比来代表算法的准确度。在粒子数分别为3~37时, PSO、IDW-PSO和PDW-PSO的准确度如
图 7. 不同种群规模下三种PSO算法的准确度。(a)单峰谱线(亚波长角向偏振金属光栅); (b)多峰谱线; (c)窄带谱线; (d)宽波段谱线
Fig. 7. Accuracy of three PSO algorithms under different sizes of population. (a) Single peak (SAPG); (b) multi-peak curve; (c) narrow-band curve; (d) broad-band curve
可见,在相同粒子数下,三种算法的准确度相近,而随着粒子数的增加准确度逐渐提高,对于所研究的亚波长角向偏振金属光栅设计来说,在粒子数达到27后基本都可以保证收敛到最优点;而对于较复杂的多峰谱线,所需的粒子数更多。由于初始化时粒子在结构参数空间中的概率分布是均匀分布,因而更大粒子数可以提高最优参数附近落入粒子的概率,相应地,算法找到最优而避免落入局部最优的概率就会增大。在粒子数足够大的情况下,算法几乎可以百分之百地找到正确的最优。为了提高算法的准确度,可以选用较大的粒子数,然而,从(24)~(26)式可以看出,粒子数
4 结论
针对亚波长角向偏振金属光栅的设计,提出了改进的PDW-PSO算法,通过中心波长寻找近似最优和多波长匹配搜索波段最优分步优化,以及基于粒子位置调整惯性权重因子减少了迭代次数,相比于PSO和IDW-PSO,PDW-PSO的平均迭代次数从89.83和74下降至21.2;调用RCWA的次数从3144.05和2590下降至224,从而提高了算法的收敛速度,并且对于多峰、窄带和宽波段目标谱线的优化,PDW-PSO同样显示出快速收敛的优势。对算法的准确度进行了实验分析,在相同的粒子数规模下,PDW-PSO与IDW-PSO、PSO的准确度相近;改进的PDW-PSO算法迭代次数对于粒子数规模的增加不敏感,因而当粒子数成倍增大时,总的RCWA调用次数的增加远小于PSO与IDW-PSO,收敛速度所受影响较小。
[4] 胡友友, 何小凤, 唐霞辉, 等. 基于Fox-Li迭代法的偏振敏感谐振腔[J]. 光学学报, 2017, 37(8): 0826001.
[11] Haus JW. Photonic band structures[M] ∥Ducloy M, Bloch D. Quantum optics of confined systems. Dordrecht: Springer, 1996: 101- 141.
[15] KennedyJ, EberhartR. Particle swarm optimization[C]∥Proceedings of ICNN'95-International Conference on Neural Networks, November 27-December 1, 1995, Perth, WA, Australia. New York: IEEE, 1995: 1942- 1948.
[16] EberhartR, KennedyJ. A new optimizer using particle swarm theory[C]∥Proceedings of the Sixth International Symposium on Micro Machine and Human Science, October 4-6, 1995, Nagoya, Japan. New York: IEEE, 1995: 39- 43.
[20] Shi YH, Eberhart RC. Parameter selection in particle swarm optimization[M] ∥Porto V W, Saravanan N, Waagen D, et al. Evolutionary programming VII. Lecture notes in computer science. Berlin, Heidelberg: Springer, 1998, 1447: 591- 600.
[21] ShiY, EberhartR. Amodified particle swarm optimizer[C]∥1998 IEEE International Conference on Evolutionary Computation, May 4-9, 1998, Anchorage, AK, USA. New York: IEEE, 1998: 69- 73.
[22] ShiY, Eberhart RC. Empirical study of particle swarm optimization[C]∥Proceedings of the 1999 Congress on Evolutionary Computation-CEC99 (Cat. No. 99TH8406), July 6-9, 1999, Washington, D. C., USA. New York: IEEE, 1999: 1945- 1950.
[24] Eberhart RC, ShiY. Comparing inertia weights and constriction factors in particle swarm optimization[C]∥Proceedings of the 2000 Congress on Evolutionary Computation, July 16-19, 2000, La Jolla, CA, USA. New York: IEEE, 2000: 84- 88.
[26] CarlisleA, DozierG. An off-the-shelf PSO[C]∥Proceedings of the Workshop on Particle Swarm Optimization 2001, Purdue School of Engineering and Technology, Indianapolis, IN, USA. [S.l.: s.n.], 2001: 1- 6.
朱春霖, 焦庆斌, 谭鑫, 王玮, 巴音贺希格. 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. Chunlin Zhu, Qingbin Jiao, Xin Tan, Wei Wang, 巴音贺希格. Fast Convergent Particle Swarm Optimization Algorithm for Subwavelength Azimuthally Polarized Metal Grating Design[J]. Acta Optica Sinica, 2019, 39(7): 0705002.