离轴反射系统设计的关键环节是确定适用初始结构并进行优化,一般从同轴结构或者专利库中寻找相似的结构开始优化,这往往需要耗费大量的时间。以Seidel像差理论为依据,研究了一种获取离轴四反系统初始结构的设计方法。在设计之初引入视...离轴反射系统设计的关键环节是确定适用初始结构并进行优化,一般从同轴结构或者专利库中寻找相似的结构开始优化,这往往需要耗费大量的时间。以Seidel像差理论为依据,研究了一种获取离轴四反系统初始结构的设计方法。在设计之初引入视场偏置,通过追迹近轴光线给出五种单色像差的初级Seidel像差表示。以Seidel像差绝对值最小化作为目标函数,同时加入对光学和系统结构上的限制条件构建含有约束条件的单目标非线性优化模型,并通过粒子群优化算法进行求解。在此基础上,通过MATLAB调用CODE V API接口,判断此视场偏置情况下是否满足无遮拦的条件,并从中挑选出满足条件的初始结构。设计了一款焦距为1200 mm,视场1.2°×20°,F数为6的离轴四反光学系统,系统结构布局紧凑,成像质量良好,各项指标均满足设计要求。展开更多
For the linear least squares problem with coefficient matrix columns being highly correlated, we develop a greedy randomized Gauss-Seidel method with oblique direction. Then the corresponding convergence result is ded...For the linear least squares problem with coefficient matrix columns being highly correlated, we develop a greedy randomized Gauss-Seidel method with oblique direction. Then the corresponding convergence result is deduced. Numerical examples demonstrate that our proposed method is superior to the greedy randomized Gauss-Seidel method and the randomized Gauss-Seidel method with oblique direction.展开更多
针对基于PVM的微机网络并行计算环境下,处理机的运算速度较快而处理机间的通信相对较慢的实际情况,给出了一种网上并行求解线性方程组的Guass—Seidel迭代算法。该算法将方程组的增广矩阵按行卷帘方式分布存储在各处理机中,循环传送...针对基于PVM的微机网络并行计算环境下,处理机的运算速度较快而处理机间的通信相对较慢的实际情况,给出了一种网上并行求解线性方程组的Guass—Seidel迭代算法。该算法将方程组的增广矩阵按行卷帘方式分布存储在各处理机中,循环传送每一次的迭代向量以减少处理间的通信次数,同时,采用计算与通信部分重叠技术,提高并行算法的效率。并用1—12台桌面PC机联成的局域网,在PVM3.4 on Windowsi2000,VC6.0并行计算平台上编程对该算法进行了数值试验,试验结果表明,该算法较传统的基于列扫描法的Guass—Seidel并行迭代算法优越。展开更多
文摘离轴反射系统设计的关键环节是确定适用初始结构并进行优化,一般从同轴结构或者专利库中寻找相似的结构开始优化,这往往需要耗费大量的时间。以Seidel像差理论为依据,研究了一种获取离轴四反系统初始结构的设计方法。在设计之初引入视场偏置,通过追迹近轴光线给出五种单色像差的初级Seidel像差表示。以Seidel像差绝对值最小化作为目标函数,同时加入对光学和系统结构上的限制条件构建含有约束条件的单目标非线性优化模型,并通过粒子群优化算法进行求解。在此基础上,通过MATLAB调用CODE V API接口,判断此视场偏置情况下是否满足无遮拦的条件,并从中挑选出满足条件的初始结构。设计了一款焦距为1200 mm,视场1.2°×20°,F数为6的离轴四反光学系统,系统结构布局紧凑,成像质量良好,各项指标均满足设计要求。
文摘For the linear least squares problem with coefficient matrix columns being highly correlated, we develop a greedy randomized Gauss-Seidel method with oblique direction. Then the corresponding convergence result is deduced. Numerical examples demonstrate that our proposed method is superior to the greedy randomized Gauss-Seidel method and the randomized Gauss-Seidel method with oblique direction.
基金Supported by the National Natural Science Foundation of China under Grant No.60373008(国家自然科学基金)the National High-Tech Research and Development Plan of China under Grant No.2006AA01Z105(国家高技术研究发展计划(863))the Key Project of the Ministry of Education of China under Grant No.106019(国家教育部科学技术研究重点项目)
文摘针对基于PVM的微机网络并行计算环境下,处理机的运算速度较快而处理机间的通信相对较慢的实际情况,给出了一种网上并行求解线性方程组的Guass—Seidel迭代算法。该算法将方程组的增广矩阵按行卷帘方式分布存储在各处理机中,循环传送每一次的迭代向量以减少处理间的通信次数,同时,采用计算与通信部分重叠技术,提高并行算法的效率。并用1—12台桌面PC机联成的局域网,在PVM3.4 on Windowsi2000,VC6.0并行计算平台上编程对该算法进行了数值试验,试验结果表明,该算法较传统的基于列扫描法的Guass—Seidel并行迭代算法优越。