GSW 学习（不完全版本）

这应该属于一篇文章阅读过程中的一些自言自语，欢迎指正。哈哈哈哈哈

19 February 2007 / Vol. 15, No. 4 / OPTICS EXPRESS 1913

在这里的意思，，是SLM上第 j 个像素点，在后焦平面的坐标， xm,ym,zm 是以透镜前焦平面为参考的坐标，其中，前焦面为成像面。 是SLM第j个点的相位，也就是对应的全息图吧

让参考光与SLM发生叠加后，第m个光阱点的复振幅：

其中

文章中说这个可以用于添加光阱的自选轨道角动量。。不动的，先不看。

但是说这里引用了一个一维符号，

这个Vm我以为是一个没有前面的一大坨的一个复振幅的写法吧，因为他们说，   所以我也在想，是不是说，这个一个目标图像的亮点值组成的阵列，就是这个  这里的x y 表示坐标，其他的表示是第几个点。

当zm为0的时候。也就是刚刚好在像面的时候，这个Vm可以被看做是， 的傅里叶传播结果，那这个  至于文中提到的(, ) 应该是角谱。

后面写了一些设定参数，和评价指标 

e 可以认为个光阱的总光强，可以被认为是光学利用率吧，u 应该就是均匀度， 是标准偏差百分比。好家伙，不懂，应该不重要暂时不重要。 表示取平均值。后来，文章说了好几种不同的生成全息图的方法。包括，RM 随机编码，superposition of prisms and lenses （S）棱镜和透镜的叠加，Random Superposition (SR) 随机叠加 ，GS算法，GAA算法，GAA应该是自适应算法就是频率的约束条件为：

可想而知，当β为0的时候，GAA就变成了GS算法，文章用的β应该是0.5。 最后一个算法是DS算法 Direct Search algorithm (DS)  直接搜寻算法，应该是改进与SR算法的。 其实GS算法后面有很多改进，（相位恢复算法：原理、发展与应用, 姚保利老师课题组的一篇中文综述）这篇综述中有提到过。   包括GAA, ER, HIO, CHIO, DM. RAAR (综述把这些归为单强度算法！！！值得注意)

最终作者把这几种算法都算了一遍

其中K是迭代次数，P是灰度，M是光阱数量，N 是全息图的像素。我没懂这里的几个参数为什么能作为scaling。

然后作者提出了GSW算法。GSW算法就是加了一个权重因子，应该是类似GAA一样的收敛约束的改变。

最初的设定是1。 后进行迭代，其中这个的初始值应该是来自于SR算法。

这里的 应该是用于引导向各个点更加均匀的收敛。