各种光通信方面的耦合算法

光纤耦合对准本质是一个无导数的峰值搜索问题

github搜索关键词:

fiber alignment algorithm
optical coupling alignment
photonic alignment hill climbing
active alignment optical
fiber optic peak search
optical power optimization
gradient search fiber coupling

1. 光栅扫描（Raster Scan）— 粗对准
   

扫描路径：

1. → → → → → →

2. ← ← ← ← ← ←

3. → → → → → →

4. ← ← ← ← ← ←

// 伪代码
for (y = yMin; y <= yMax; y += stepY)
{
    for (x = xMin; x <= xMax; x += stepX)
    {
        MoveTo(x, y);
        power = ReadPower();
        if (power > maxPower)
        {
            maxPower = power;
            bestX = x; bestY = y;
        }
    }
}
MoveTo(bestX, bestY);

2. 螺旋扫描（Spiral Scan）— 粗对准
用途：从中心向外搜索，比光栅更高效
特点：中心区域密集，越远越稀疏

// GitHub 搜索: "spiral scan alignment"
for (int ring = 0; ring < maxRings; ring++)
{
    double radius = ring * step;
    int pointsInRing = Math.Max(1, (int)(2 * Math.PI * radius / step));
    for (int p = 0; p < pointsInRing; p++)
    {
        double angle = 2.0 * Math.PI * p / pointsInRing;
        double x = centerX + radius * Math.Cos(angle);
        double y = centerY + radius * Math.Sin(angle);
        MoveTo(x, y);
        power = ReadPower();
        if (power > maxPower) { /* 更新最大值 */ }
    }
}

3.梯度搜索（Gradient Search）— 细对准 ⭐推荐
用途：多轴同时优化，收敛快
原理：通过小扰动估计梯度方向，沿梯度上升

这是业界最常用的细对准算法
// GitHub 搜索: "gradient search optical alignment"
// 核心思想：
public static void GradientSearch(UInt16[] axes, int channel, double step)
{
    while (!converged)
    {
        double basePower = PM.getPowerEx(channel);
        double[] gradient = new double[axes.Length];

        // 估计各轴梯度
        for (int i = 0; i < axes.Length; i++)
        {
            USBMove.pMoveRef(axes[i], +step);  // 正扰动
            WaitAndSettle(axes[i]);
            double pPlus = PM.getPowerEx(channel);

            USBMove.pMoveRef(axes[i], -2 * step);  // 负扰动
            WaitAndSettle(axes[i]);
            double pMinus = PM.getPowerEx(channel);

            USBMove.pMoveRef(axes[i], +step);  // 回原点
            WaitAndSettle(axes[i]);

            gradient[i] = (pPlus - pMinus) / (2 * step);
        }

        // 沿梯度方向移动
        double norm = Math.Sqrt(gradient.Sum(g => g * g));
        if (norm < threshold) break;  // 收敛

        for (int i = 0; i < axes.Length; i++)
        {
            double move = learningRate * gradient[i] / norm * step;
            USBMove.pMoveRef(axes[i], move);
        }
        WaitAll(axes);
    }
}

4. Nelder-Mead 单纯形法 — 细对准 ⭐⭐工业常用
用途：多轴无导数优化，对噪声有一定鲁棒性
特点：不需要计算梯度，用N+1个点构成单纯形

GitHub 搜索: "nelder mead optimization" （通用库很多）

5.高斯拟合法 — 细对准
原理：利用光耦合效率通常呈高斯分布的特点
步骤：
  1. 扫描若干点
  2. 拟合高斯曲线
  3. 直接移动到拟合的峰值位置

优势：理论上只需要少量采样点即可定位峰值
// 采集数据后拟合
// P(x) = A * exp(-(x-μ)² / (2σ²))
// 取对数线性化：ln(P) = ln(A) - (x-μ)²/(2σ²)
// 最少3个点即可求解

6. 抖动锁定（Dither Alignment）— 实时追踪
原理：在最优位置附加微小正弦抖动，
     通过锁相检测判断偏移方向

类似PID控制，用于长期稳定保持

GitHub 搜索: "dither alignment lock-in"

主要可以增强的方向是：① 多轴联合优化（梯度法/Simplex）；② 多轮步长递减；③ 噪声鲁棒性。GitHub 上搜 "optical alignment" + "hill climbing" 或 "gradient search" 可以找到参考实现。