随机并行梯度下降算法（stochastic parallel gradient descent algorithm），简称SPGD算法。作为一种无模型优化算法，比较适用于控制变量较多，受控系统比较复杂，无法建立准确数学模型的最优化控制过程。

中文名：随机并行梯度下降算法

简称：SPGD算法

外文名：stochastic parallel gradient descent algorithm

类型：无模型优化算法

SPGD控制算法原理主要发展于随机逼近（Stochastic Approximation，简称 SA）理论和人工神经网络（Artificial Neural Networks）技术，美国陆军研究实验室的Voronstov在同时扰动随机近似控制算法基础上开发的自适应光学校正技术。

随机并行梯度下降算法发展历程

由于星地链路之间的主要传输介质是大气，穿过路径较长，大气分子对于激光光束的吸收与散射将引起传播方向上光能的衰减，因此传输信道中的大气湍流是限制通信距离及通信系统性能的瓶颈之一，不仅需要考虑大气对激光的吸收与散射，还必须考虑大气的湍流效应。大气湍流会使光载波在传输过程中随机地改变其光束特性，致使携带信息的光波的强度和相位在空间和时间上都呈现随机起伏，造成闪烁现象，极大地降低了系统的成像质量或光束质量。基于随机并行下降算法的自适应光学技术可以提高激光作用到目标上的聚集程度；降低空间目标在望远镜成像面上的模糊程度，提高目标识别的准确度，实现对目标的精跟踪；提高激光通信系统的载波光束质量，降低系统的噪声水平、提高数据传输速率等，在天文自适应成像领域已得到成功应用。

无需波前传感器的像清晰化技术在不需要波前传感器的条件下，以成像清晰度和接受光能量为性能指标直接作为算法优化的目标函数，优化得到接近理想的校正效果，系统复杂性大大降低，比较适合用于补偿大气湍流带来的闪烁现象。

第一：由于不需要进行波前测量，系统中不需要采用波前传感器，也无需进行波前重构，而是以成像清晰度和接受光能量为性能指标直接作为算法优化的目标函数，降低了系统和算法的复杂性。

第二：所有驱动单元控制信号并行计算，使得未来极高分辨率的波前校正成为可能。对于传统的波前传感技术来说，高分辨率的波前校正其波前重构的计算量也是相当巨大的。此时，像清晰化自适应光学系统由于校正算法简单，对这样的波前校正器件则具有更好的适应性。

第三：由于无需波前重构，大气湍流带来的闪烁不影响算法的迭代以及反馈装置的数据采集，在大气湍流较强或光束长程传输应用中有其独特优势。

第一步，测量系统当前的像质评价函数值；

第二步，对控制参量 施加扰动 ，随机生成扰动向量，各扰动向量相互独立且同为伯努利分布；

第三步，保持控制参量的扰动状态，测量此时系统的像质评价函数值；

第四步，计算像质评价函数值的改变量，并按迭代公式对控制参量的取值进行修正；下图为随机并行梯度下降算法的迭代公式。

随机并行梯度下降算法迭代公式