SLM研究DOE很简单的一个做法就是将液晶屏视为可编程的蚀刻板,通过matlab计算各种灰度图,比如模拟退火算法\模拟轴椎透镜等, 通过不同的灰度图改变SLM液晶分子扭角获得不同衍射效果, 利用CCD对出射光斑进行能量分析, 类似高斯光变为平顶光的效果,DOE能实现,SLM也同样能实现,类似的实验在瑞光空间光调制器的网站中有介绍
function ret=Code(lenchrom,bound)
% lenchrom input : 染色体长度
% bound input : 变量的取值范围
% ret output: 染色体的编码值
flag=0;
while flag==0
pick=rand(1,length(lenchrom));
ret=bound(:,1)'+(bound(:,2)-bound(:,1))'pick; %线性插值
flag=test(lenchrom,bound,ret); %检验染色体的可行性
end
function ret=Cross(pcross,lenchrom,chrom,sizepop,bound)
%本函数完成交叉 *** 作
% pcorss input : 交叉概率
% lenchrom input : 染色体的长度
% chrom input : 染色体群
% sizepop input : 种群规模
% ret output : 交叉后的染色体
for i=1:sizepop
% 随机选择两个染色体进行交叉
pick=rand(1,2);
while prod(pick)==0
pick=rand(1,2);
end
index=ceil(picksizepop);
% 交叉概率决定是否进行交叉
pick=rand;
while pick==0
pick=rand;
end
if pick>pcross
continue;
end
flag=0;
while flag==0
% 随机选择交叉位置
pick=rand;
while pick==0
pick=rand;
end
pos=ceil(picksum(lenchrom)); %随机选择进行交叉的位置,即选择第几个变量进行交叉,注意:两个染色体交叉的位置相同
pick=rand; %交叉开始
v1=chrom(index(1),pos);
v2=chrom(index(2),pos);
chrom(index(1),pos)=pickv2+(1-pick)v1;
chrom(index(2),pos)=pickv1+(1-pick)v2; %交叉结束
flag1=test(lenchrom,bound,chrom(index(1),:)); %检验染色体1的可行性
flag2=test(lenchrom,bound,chrom(index(2),:)); %检验染色体2的可行性
if flag1flag2==0
flag=0;
else flag=1;
end %如果两个染色体不是都可行,则重新交叉
end
end
ret=chrom;
clc
clear all
% warning off
%% 遗传算法参数
maxgen=50; %进化代数
sizepop=100; %种群规模
pcross=[06]; %交叉概率
pmutation=[01]; %变异概率
lenchrom=[1 1]; %变量字串长度
bound=[-5 5;-5 5]; %变量范围
%% 个体初始化
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %种群结构体
avgfitness=[]; %种群平均适应度
bestfitness=[]; %种群最佳适应度
bestchrom=[]; %适应度最好染色体
% 初始化种群
for i=1:sizepop
individualschrom(i,:)=Code(lenchrom,bound); %随机产生个体
x=individualschrom(i,:);
individualsfitness(i)= (x(1)exp(-(x(1)^2 + x(2)^2)));
%-20exp(-02sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2pix(1))+cos(2pix(2)))/2)+20+271289
% 这个是我的测试函数
% 如果有这个函数的话,可以得到最优值
end
%找最好的染色体
[bestfitness bestindex]=min(individualsfitness);
bestchrom=individualschrom(bestindex,:); %最好的染色体
avgfitness=sum(individualsfitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[];
%% 进化开始
for i=1:maxgen
% 选择 *** 作
individuals=Select(individuals,sizepop);
avgfitness=sum(individualsfitness)/sizepop;
% 交叉 *** 作
individualschrom=Cross(pcross,lenchrom,individualschrom,sizepop,bound);
% 变异 *** 作
individualschrom=Mutation(pmutation,lenchrom,individualschrom,sizepop,[i maxgen],bound);
% 计算适应度
for j=1:sizepop
x=individualschrom(j,:);
individualsfitness(j)=(x(1)exp(-(x(1)^2 + x(2)^2)));
%-20exp(-02sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2pix(1))+cos(2pix(2)))/2)+20+271289
% -20exp(-02sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2pix(1))+cos(2pix(2)))/2)+20+271289;
end
%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(individualsfitness);
[worestfitness,worestindex]=max(individualsfitness);
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=individualschrom(newbestindex,:);
end
individualschrom(worestindex,:)=bestchrom;
individualsfitness(worestindex)=bestfitness;
avgfitness=sum(individualsfitness)/sizepop;
trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度
end
%进化结束
%% 结果显示
[r c]=size(trace);
figure
plot([1:r]',trace(:,1),'r-',[1:r]',trace(:,2),'b--');
title(['函数值曲线 ' '终止代数=' num2str(maxgen)],'fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('函数值','fontsize',12);
legend('各代平均值','各代最佳值','fontsize',12);
ylim([-05 5])
disp('函数值 变量');
% 窗口显示
disp([bestfitness x]);
function tonglun
syms x1 x2 x3 x4
F=[-cos(x1)+cos(x2)-cos(x3)+cos(x4)-06
-cos(5x1)+cos(5x2)-cos(5x3)+cos(5x4)
-cos(7x1)+cos(7x2)-cos(7x3)+cos(7x4)
-cos(11x1)+cos(11x2)-cos(11x3)+cos(11x4)];
var = sym(symvar(findsym(F)));%var is string 要变换下
dF = jacobian(F,var);
x0=[039 065 091 118]';
Fx = subs(F,findsym(F),x0)
N=1400;
h=1/N;
b=-hFx;
for i=1:N
A=subs(dF,var,x0);
k1=inv(A)b;
A=subs(dF,var,x0+05k1);
k2=inv(A)b;
A=subs(dF,var,x0+05k2);
k3=inv(A)b;
A=subs(dF,var,x0+05k3);
k4=inv(A)b;
x0=x0+(k1+2k2+2k3+k4)/6;
end
x=x0;
disp('The Solution is:')
disp('x=');disp(x);
subs(F,findsym(F),x)
=======================
The Solution is:
x=
-59548
-58381
-16512
-09719
ans =
10e-003
00040
-01540
-01043
05477
在这里:
function u = EVOLUTION(u0, g, lambda, mu, alf, epsilon, delt, numIter)
% EVOLUTION(u0, g, lambda, mu, alf, epsilon, delt, numIter) updates the level set function
% according to the level set evolution equation in Chunming Li et al's paper:
% "Level Set Evolution Without Reinitialization: A New Variational Formulation"
% in Proceedings CVPR'2005,
% Usage:
% u0: level set function to be updated
% g: edge indicator function
% lambda: coefficient of the weighted length term L(\phi)
% mu: coefficient of the internal (penalizing) energy term P(\phi)
% alf: coefficient of the weighted area term A(\phi), choose smaller alf
% epsilon: the papramater in the definition of smooth Dirac function, default value 15
% delt: time step of iteration, see the paper for the selection of time step and mu
% numIter: number of iterations
%
u=u0;
[vx,vy]=gradient(g);
for k=1:numIter
u=NeumannBoundCond(u);
[ux,uy]=gradient(u);
normDu=sqrt(ux^2 + uy^2 + 1e-10);
Nx=ux/normDu;
Ny=uy/normDu;
diracU=Dirac(u,epsilon);
K=curvature_central(Nx,Ny);
weightedLengthTerm=lambdadiracU(vxNx + vyNy + gK);
penalizingTerm=mu(4del2(u)-K);
weightedAreaTerm=alfdiracUg;
u=u+delt(weightedLengthTerm + weightedAreaTerm + penalizingTerm); % update the level set function
end
% the following functions are called by the main function EVOLUTION
function f = Dirac(x, sigma) %水平集狄拉克计算
f=(1/2/sigma)(1+cos(pix/sigma));
b = (x<=sigma) & (x>=-sigma);
f = fb;
function K = curvature_central(nx,ny); %曲率中心
[nxx,junk]=gradient(nx);
[junk,nyy]=gradient(ny);
K=nxx+nyy;
function g = NeumannBoundCond(f)
% Make a function satisfy Neumann boundary condition
[nrow,ncol] = size(f);
g = f;
g([1 nrow],[1 ncol]) = g([3 nrow-2],[3 ncol-2]);
g([1 nrow],2:end-1) = g([3 nrow-2],2:end-1);
g(2:end-1,[1 ncol]) = g(2:end-1,[3 ncol-2]);
Matlab函数
函数是组织好的,可重复使用的,用来实现单一,或相关联功能的代码段。
函数能提高应用的模块性,和代码的重复利用率。你已经知道Matlab提供了许多内建函数,比如disp()。但你也可以自己创建函数,这被叫做用户自定义函数
>>disp('hello world')hello world
总的来说,自定义函数分为两步:即定义函数和调用函数。
定义一个函数
你可以定义一个由自己想要功能的函数,以下是简单的规则:
函数代码块以function关键词开头,后接输出变量和函数标识符名称和圆括号()。
任何传入参数和自变量必须放在圆括号中间,圆括号之间可以用于定义参数。
函数的第一行语句可以选择性地使用文档字符串—用于存放函数说明。
函数内容以end结束。
函数需要定义在脚本文件(m)中运行,不可以在命令窗口中临时创建。
语法
Matlab定义函数需要使用function关键字,一般格式如下:
function输出变量=函数名(输入变量) 函数体end
这里的输入变量和输出变量都可以根据实际情况缺省。
实例
创建一个函数,用来输出“hello world!” ,步骤如下:
新建一个脚本,命名为eg1m
test();functiontest()disp('hello world!')end
点击顶部菜单的运行按钮,即可在命令窗口输出:
>>eg1 hello world!
更复杂一点的应用,我们让函数带上输入变量和输出变量:
s=calc_area(4,5);functions=calc_area(w,h)s=wh;disp(['area=',num2str(s)]);end
以上实例输出:
>>eg2 area=20
输入变量缺省
有时候,输入变量的个数不确定,但是又想将不同个数情况统一到一个函数里,即输入变量有缺省时,可以利用nargin来判断,然后给出对应的输出。例如:
out(1)out(1,2)out(1,2,3)functionout(a,b,c)ifnargin==1disp(a)elseifnargin==2disp([a,b])elseifnargin==3disp([a,b,c])endend
上面的实例将会得到:
>>eg5112123
可以看到,当输入不同输入变量个数时,会找到对应个数下的执行代码,返回相应的内容。
当然这种做法也存在弊端,当变量个数太多时,要写很多个判断;这种情况下可以尝试inputParser,这里我就不多解释了,有兴趣可以看这篇博文了解下。
函数调用
函数基本结构完成后,进行调用时,存在两种方法:
直接在函数所在脚本文件内调用(上面的例子就是这种情况);
函数定义与调用分开,各自存为一个脚本,运行调用脚本。
法一:脚本内调用函数
如上图所示,调用函数在前,定义函数在后,点运行即可得到输出。
法二:函数脚本独立,另外写代码调用
如上图所示,函数脚本和调用函数的脚本分开了,保存在同一路径下。
在第二种方法下,也可以在命令窗口直接调用所写的函数:
这种调用与上面本质上是一样的,都是首先找到以函数名命名的脚本文件,然后再执行函数内部代码块,返回结果。在这里必须注意函数脚本名字要与函数名一致。
事实上,为了让编程变得系统化,模块化,我们不建议你采用第一种方法去写代码,因为这样不利于分析和维护代码。
而采用后面一种方法时,我们可以定义很多个函数,然后在其他脚本里调用它们,这样形成了一种模块化的关系。我们在分析代码时,注意力可以集中到主程序上,思路将更加清晰。
输出值缺省调用
在matlab的函数中,可以选择性地获取所返回的变量列表值,下面给出实例:
default=out()[a,~,~]=out()[~,b,~]=out()[~,~,c]=out()function[a,b,c]=out()a=1;b=2;c=3;end
上述实例输出结果:
>>eg4 default=1a=1b=2c=3
可以看到,函数默认以返回的第一个变量为输出值;若想得到返回的某个值时,用变量接住,对于不需要的值,则需要用~占位,但不接收这个值,这样做的目的就是为了保证输出的序号能够匹配到。
函数就是定义和调用,针对实际问题,分析出输入、输出变量,理清楚中间环节以什么样的流程一步步转换,这样就可以顺利完成自定义函数的编写。
可以。使用matlab求解线性规划问题,可以不用编写程序,MATLAB是美国MathWorks公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境。
以上就是关于跪求!!SLM衍射特性研究及衍射光学元件设计实验的思路以及思想。。 另外,跪求GS算法的介绍!!全部的内容,包括:跪求!!SLM衍射特性研究及衍射光学元件设计实验的思路以及思想。。 另外,跪求GS算法的介绍!!、MATLAB遗传算法、跪求各位matlab大神指导!如何在matlab里编译同伦算法程序等相关内容解答,如果想了解更多相关内容,可以关注我们,你们的支持是我们更新的动力!
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)