¿Cuanto menor sea la uniformidad de la luz, mejor?

Cuanto menor sea la uniformidad de la iluminación, mejor.

La uniformidad de la iluminación se refiere a la relación entre la iluminancia mínima y la iluminancia promedio en una superficie específica. Cuanto más uniforme sea la distribución de la luz, mejor será la iluminación, más cómoda será la experiencia visual y cuanto más cercana a 1 esté la uniformidad de la iluminación, mejor. Por el contrario, cuanto más pequeño sea, más fatiga visual provocará.

Tecnología de evaluación de la uniformidad de la iluminación

La cuestión de la uniformidad de la iluminación es de gran importancia en el campo del mecanizado de precisión, por lo que la evaluación precisa de la uniformidad de la iluminación es de gran importancia. Debido a la no linealidad de la uniformidad de la iluminación en sí, es difícil implementar la evaluación del área mínima directamente de acuerdo con la definición. El método de mínimos cuadrados que se ha utilizado a menudo conduce a juicios inexactos sobre los objetos de evaluación. Se propone un algoritmo de optimización de enjambre de partículas cuasi sinusoidal.

Es decir, de acuerdo con el método diseñado para cambiar el tamaño de la población y la función de diversidad, el enjambre de partículas ajusta automáticamente su tamaño de acuerdo con la ley cuasi-sinusoidal en los picos y valles de cada banda sinusoidal, y luego Actualiza las partículas de acuerdo con el algoritmo básico de posición y velocidad del enjambre de partículas. Durante el proceso de actualización, no solo cada partícula puede evolucionar completamente, sino que también se garantiza la continuidad entre las partículas y se mantiene la diversidad del enjambre de partículas.

Este algoritmo resuelve bien el problema de la evaluación de la uniformidad de la iluminación. Los ejemplos muestran que QSPSO puede ejercer sus ventajas para problemas de optimización no lineal, como la evaluación de la uniformidad de la iluminación, problemas con una gran cantidad de parámetros de optimización o problemas en los que la función de optimización objetivo es incómoda de expresar.