第4章蒙特卡洛模拟

4. 蒙特卡洛模拟：随机数生成与正态分布、模拟次数与置信度、蒙特卡洛模拟流程

蒙特卡洛模拟，说白了就是“用大量随机抽样来逼近真实结果”。

我在做光学系统公差分析时，最怕的就是“拍脑袋”定公差。你想想看，一个镜头几十个镜片，每个镜片有曲率、厚度、偏心、倾斜……如果每个参数都按最坏情况叠加，那公差预算根本没法做。蒙特卡洛模拟就是用来解决这个问题的——它告诉你：在真实生产条件下，你的系统到底能有多大概率满足指标。

4.1 随机数生成与正态分布

蒙特卡洛模拟的第一步，是生成符合实际生产分布的随机数。

我见过不少新手直接拿均匀分布来模拟公差，结果算出来的良率虚高。为什么？因为实际生产中，大多数工艺参数服从的是正态分布（也叫高斯分布）。

核心概念：

均匀分布：每个值出现的概率相等。适合模拟“未知分布”或“最坏情况”的边界检查。
正态分布：中间值概率高，两端概率低。适合模拟实际加工误差。

在光学设计软件（如Zemax、Code V）中，通常内置了正态分布随机数生成器。但如果你自己写脚本，比如用Python，可以这样生成：

import numpy as np

# 生成10000个符合正态分布的随机数
# 均值=0，标准差=1（标准正态分布）
samples = np.random.normal(loc=0, scale=1, size=10000)

# 实际应用中，你需要根据公差范围映射
# 比如：厚度公差 ±0.05mm，3σ对应这个范围
thickness_tolerance = 0.05  # 半宽
sigma = thickness_tolerance / 3  # 假设3σ覆盖99.7%
actual_thickness = nominal + np.random.normal(0, sigma, size=N)

我的经验：

我个人习惯用3σ原则来设定标准差。也就是说，如果图纸上标了±0.05mm的公差，我默认这个范围对应3σ（覆盖99.7%的样本）。这样模拟出来的结果更贴近实际产线数据。

这里有个坑：截断正态分布。实际加工中，超出公差范围的产品会被筛选掉。所以如果你直接生成正态分布，可能会得到一些“超差”的样本。我一般会加一个判断：

# 截断：超出公差范围的重新生成
while True:
    delta = np.random.normal(0, sigma)
    if abs(delta) <= thickness_tolerance:
        break

嗯，这样更符合实际。

4.2 模拟次数与置信度

蒙特卡洛模拟里有个灵魂问题：到底要跑多少次？

你跑100次和跑10000次，结果可能差很多。但跑太多又浪费时间。我记得有一次帮客户做投影镜头公差分析，他要求良率精度到±0.5%。我一开始跑了500次，结果置信区间太宽，根本没法用。后来加到5000次，才稳定下来。

这里有个经验公式：

模拟次数 N 与置信度的关系：

对于二项分布（良率/不良率），置信区间半宽 ≈ 1.96 × √(p(1-p)/N)

其中 p 是估计的良率，1.96 对应 95% 置信度。

举个例子：

假设你预估良率 p = 90%
想要置信区间半宽 ≤ 1%
那么 N ≥ (1.96² × 0.9 × 0.1) / 0.01² ≈ 3457 次

所以，3000-5000次是光学系统公差分析中比较常见的模拟次数。如果系统特别复杂（比如几十个镜片），我可能会跑到10000次。

注意：

模拟次数不是越多越好。当N超过一定值后，精度提升非常缓慢，但计算时间线性增长。我个人建议：先跑500次看看趋势，再根据置信度需求调整到3000-5000次。

4.3 蒙特卡洛模拟流程

好了，我们把整个流程串起来。我在实际项目中，通常按下面这五步走：

定义输入参数及其分布
- 列出所有公差项：曲率、厚度、偏心、倾斜、折射率、阿贝数等
- 为每个参数指定分布类型（正态/均匀）和标准差
生成随机样本
- 根据分布类型生成N组随机数
- 每组代表一个“虚拟镜头”
执行光学仿真
- 对每组参数，计算系统性能指标（MTF、波前差、畸变等）
- 记录每个样本是否满足指标
统计分析
- 计算良率：满足指标的样本数 / 总样本数
- 计算性能分布的均值、标准差、P95/P5等
灵敏度分析与优化
- 找出对性能影响最大的公差项（“罪魁祸首”）
- 收紧关键公差，放宽非关键公差

下面这张图是我自己总结的蒙特卡洛模拟流程，你可以对照着看：

流程看起来简单，但实际执行时有很多细节。我举一个真实案例：

案例：手机镜头模组公差分析

我曾经做过一个6P（6片塑料镜片）的手机镜头。初始设计时，MTF在中心视场能到0.6。但按常规公差跑蒙特卡洛，良率只有40%。

我通过灵敏度分析发现：第3片镜片的偏心公差是罪魁祸首。于是我把这个偏心公差从±0.03mm收紧到±0.015mm，同时把其他几个不敏感的公差放宽了20%。

调整后，良率从40%提升到了85%。这就是蒙特卡洛模拟的价值——用数据说话，而不是凭感觉。

避坑指南：

我曾经犯过一个错误：在生成随机数时，没有设置随机种子（random seed）。结果每次跑出来的结果都不一样，导致我花了半天时间在“找规律”，其实只是随机波动。后来我养成了习惯：每次模拟前固定随机种子，这样结果可复现，方便调试。

最后说一句：蒙特卡洛模拟不是万能的。它假设所有公差项是独立的，但实际生产中，有些参数是相关的（比如曲率和厚度可能同时受温度影响）。如果你遇到这种情况，可以考虑用拉丁超立方抽样或相关随机数生成来改进。不过那是进阶内容了，今天先聊到这里。