[发明专利]一种用于提高通信容量的多模式叠加光束的产生方法

权利要求书

1.一种用于提高通信容量的多模式叠加光束的产生方法，其特征在于：通过多值变异算子对粒子群算法的粒子速度进行自适应的变异操作，设计基于自适应变异粒子群的多模式叠加涡旋光束生成算法，改变传统产生算法中不同OAM模式的初始系数按预期比例赋值的思路，解决叠加模式过多时无法符合预期模式分布的问题，提高涡旋光束中不同OAM模式的均匀性和产生的模式数目，降低与预期功率分布的相关均方根误差系数，提高涡旋光栅的能量转换效率，增加OAM光通信系统中可用的OAM通道数目，同时提高生成迭代算法的迭代速率，进而提高多模式叠加涡旋光束生成产生效率。

2.如权利要求1所述的一种用于提高通信容量的多模式叠加光束的产生方法，其特征在于：包括如下步骤，

步骤一：建立多模式叠加涡旋光束生成模型；

步骤一所述的多模式叠加涡旋光束生成模型包括激光器、线性偏振片LP、以及加载由基于自适应变异粒子群的多模式叠加涡旋光束生成算法产生的涡旋光栅相位全息图的空间光调制器SLM；所述多模式叠加涡旋光束生成模型用于将入射的高斯光束转换成多模式同轴共线叠加的涡旋光束；步骤一所述的多模式叠加涡旋光束生成模型，把多模式叠加涡旋光束生成问题转换成涡旋光栅相位全息图的生成问题，从而转换成光栅传递函数中OAM模式权重系数的非线性函数寻优问题；

步骤二：设计基于自适应变异粒子群的多模式叠加涡旋光束生成算法，生成步骤一所述的涡旋光束相位全息图，进而将其加载至空间光调制器中，进而实现多模式同轴共线叠加的涡旋光束；

步骤二所述的基于自适应变异粒子群的多模式叠加涡旋光束生成算法在Lin算法的基础上，优化初始参数，进而生成可支持大规模模式数量的纯相位衍射涡旋光栅相位全息图，有效解决在叠加模式过多时不同模式之间占比无法按预期分布的问题，即提高涡旋光束的均匀性；同时相对于已有的迭代算法而言，能够有效解决易陷入局部最优的问题，提升光束能量转换效率。

3.如权利要求2所述的一种用于提高通信容量的多模式叠加光束的产生方法，其特征在于：步骤二所述的基于自适应变异粒子群的多模式叠加涡旋光束生成算法步骤如下，

步骤2.1：初始化粒子位置和速度；所述粒子的维度表示模式的数目，每个粒子具有位置、速度和适应度值三个参数，所述位置表示模式权重系数的取值，所述速度表示每个粒子下一次优化的前进方向和距离，所述适应度值表示粒子由适应度函数计算出的值；所述粒子代表模式权重系数的可能解，模式权重系数{B_lm}和R-RMSE函数分别作为粒子位置以及适应度函数；

由于光栅传递函数中的权重系数{B_lm}是一复数形式的变量，粒子位置和速度都需要初始化为复数的形式；考虑到实际分解系数{C_lm}的幅值大小接近于1，将粒子的位置初始化为复数域中的单位圆上的随机点，速度则初始化为0；根据适应度函数计算每个粒子的适应度值，计算个体极值和群体极值，根据速度公式(X)计算出粒子速度；

其中，k表示第k次迭代，i表示种群中第i个粒子，d表示粒子中第d个维度，即第d个OAM模式，random(0,1)是[0,1]范围内的随机数，ω是惯性因子，C₁和C₂是常数；速度更新公式由粒子原先速度的惯性、个体极值的影响、群体极值的影响三个部分组成，这有利于种群中每个粒子从个体历史行为、个体最佳行为和种群最佳行为的经验中学习，不断迭代优化模式权重系数{B_lm}，完成纯相位光栅的优化；

步骤2.2：划分子种群，计算多值变异算子；将全部S个粒子划分为M个子种群，每个子种群中有P＝S/M个粒子，子种群彼此相对独立，各自的变异算子σ_m由式(5)求得；由于变异算子随着迭代进行以指数形式增长，为了避免σ_m值过大，失去对粒子位置的扰动作用，需将变异算子的取值范围设为系数幅值的取值范围，即[0,1)；变异算子的计算公式如式(3)-(5)所示；

其中，表示第m个子种群在第K次迭代时的取值，表示对第m个子种群中的第i个粒子做R-RMSE函数，求适应度值，定义为第m个子种群在第K次迭代时的子种群适应度，由式(4)求得；由变异算子σ的计算方式可知，其与子种群中每个粒子当前的适应度值是正相关关系，并且适应度值越好(即R-RMSE值越低)，变异算子σ的值越低；变异算子取值大小对粒子位置的影响可以理解为，当粒子{B_lm}构成的光栅传递函数的R-RMSE误差越小，即粒子的适应度越好，粒子当前距离最优位置越近，在当前区域内继续前进搜索时获得更低R-RMSE值的可能性越高，故粒子的逃逸越小越好，变异算子σ值从而降低；当R-RMSE值很高时，即适应度很差，粒子在当前位置与全局最优点的距离就越远，因此，算法在当前区域内继续搜索的价值不高，需要执行粒子更大区域的逃逸，从而增大变异算子σ值；

由公式(5)可知，每次迭代的变异算子由子种群的适应度值决定，并且具有记忆性；子种群适应度值较大的，变异算子值也大，有利于下次迭代跳离当前的较差的区域；当子种群适应度值较小时，变异算子值较小，有利于在当前区域进行更深的搜索；

步骤2.3：执行步骤2.2所述的迭代操作，更新粒子位置，计算出新的适应度值，并更新变异算子；

步骤2.4：根据门限函数以及变异是否降低粒子适应度值判断是否执行变异操作；

速度代表着某一粒子向其他粒子靠近的方向和距离，判断速度的幅值是否低于设置的变异门限，如果是，表明当前粒子可能陷入到局部最优解中，因此采用步骤2计算出的变异算子进行速度值的变异；用变异算子替换粒子原先速度的幅值，速度的相位随机变化，更有利于粒子脱离之前的前进方向，改变原有的速度更新方式，从而跳出当前的局部最优点；

步骤2.5：更新粒子速度和变异门限，更新个体极值和群体极值；

变异门限控制着是否进行速度值的变异，过多的变异打乱了粒子群原有的更新方式，有可能破坏寻优的搜索过程，因此，需要设置门限函数，并随着迭代的进行不断自适应的变化；式(6)是门限的计算公式，size表示全部粒子的数目，式(7)是门限阈值的更新公式，其中k_d是某一维度的最大变异个数，为常数，C是一大于1的常数；在某一维度中，发生速度变异的粒子个数如果大于全部粒子数目的一半或者某一固定常数，可以认为粒子速度值变异发生的过于频繁，有可能打破粒子群的算法结构；因此，设置一个自适应降低的门限阈值，随着门限阈值的不断减小，保证了速度值变异在算法后期不会打破区域内的深层次搜索，从而有利于找到更优解；

if G_d＞k_d，then T_d＝T_d/C (7)

步骤2.6：判断是否达到迭代次数或适应度值满足需求，继续执行步骤3或者停止迭代；

步骤2.7：将输出的权重系数输入到传统Lin迭代算法中，进行迭代并产生多模式叠加的涡旋光束相位全息图。