第二章 优化设计概论：什么是光学优化、局部优化与全局优化、评价函数的构建逻辑

各位好，我是老张。干光学设计这行快二十年了，踩过的坑比吃过的盐还多。今天咱们聊聊优化设计的基础——说白了，就是搞清楚软件到底在帮你干什么。

很多人刚接触光学设计，上来就点“优化”按钮，结果跑出来一堆稀奇古怪的像差。为什么？因为你没告诉软件“什么是好的”。这就像让一个实习生去画图，你不告诉他标准，他画成啥样都有可能。

2.1 什么是光学优化？

光学优化，本质上是一个数学问题。你给出一组初始参数（曲率半径、厚度、玻璃材料等），软件通过某种算法，不断调整这些参数，让系统的成像质量越来越好。

我习惯把优化比作“爬山”。你站在山脚下，目标是山顶（最优解）。每一步都往上走，最终就能登顶。但问题来了——你怎么知道哪一步是“往上”？

这就需要评价函数了。评价函数就是你的“高度计”，告诉你当前的位置好不好。数值越小，说明越接近山顶。

2.2 局部优化 vs 全局优化

这里有个关键概念，我当年花了很长时间才真正理解——局部优化和全局优化的区别。

局部优化，就像你在一个山谷里，只往低处走。你能找到这个山谷的最低点，但你可能永远不知道，翻过这座山还有一个更深的谷。

全局优化，则是给你一个直升机，让你能在不同山谷之间跳来跳去，找到整个区域的最低点。

我在项目中遇到过很多次这种情况：局部优化跑了几百次，结果都差不多。后来换了全局优化，一下子就找到了更好的解。嗯，这里要注意——全局优化不是万能的，它只是增加了找到好解的概率。

特性	局部优化	全局优化
搜索范围	当前点附近	整个参数空间
收敛速度	快	慢
结果稳定性	依赖初始点	相对稳定
适用场景	已有较好初始结构	初始结构较差或未知

2.3 评价函数的构建逻辑

评价函数，英文叫 Merit Function。这是整个优化的灵魂。你想想看，如果没有评价函数，软件怎么知道哪个方向是“好”？

评价函数的构建逻辑其实很简单：

1. 定义目标：你想要什么？比如焦距200mm，畸变小于1%，MTF在50lp/mm处大于0.3。
2. 量化偏差：当前系统的实际值和目标值之间的差距。
3. 加权求和：不同目标的重要性不同，需要给不同的权重。

数学上，评价函数通常写成：

MF² = Σ [ Wi × (Vi - Ti)² ] / Σ Wi

其中：

• Wi 是权重
• Vi 是当前值
• Ti 是目标值

我曾经犯过一个错误——把所有目标的权重都设成1。结果优化出来的系统，焦距对了，但畸变很大。为什么？因为畸变这个目标没有被“重视”。

2.4 评价函数的常见类型

不同的软件有不同的评价函数类型，但核心思想是一样的：

• 波前差型：基于光线追迹，计算波前像差。适合高精度系统。
• 光斑半径型：基于几何光线，计算光斑大小。适合照明系统。
• MTF型：基于光学传递函数，计算调制传递函数。适合成像系统。

我个人习惯，在初始阶段用光斑半径型，跑得快。等结构差不多了，再切换到波前差型或MTF型，做精细优化。

2.5 知识体系结构图

下面这张图，是我自己总结的优化设计核心逻辑。你看一遍，基本就明白整个流程了。

这张图你看懂了吗？从初始结构出发，构建评价函数，选择算法，迭代计算，直到收敛。每一步都很关键。

2.6 实战中的常见问题

最后，分享几个我在项目中遇到的真实问题：

• 问题一：优化不收敛——检查评价函数，是不是目标设得太苛刻了？或者权重分配不合理？
• 问题二：结果不稳定——每次优化结果都不一样？试试全局优化，或者增加约束条件。
• 问题三：像差校正不过来——可能是初始结构选得不好。换一个初始结构试试。

好了，这一章就到这里。评价函数是优化的灵魂，一定要理解透。下一章我们聊聊具体的优化算法，到时候见。

---

公众号:蓝海资料掘金营，微信deep3321