2. 局部优化基础：局部优化算法原理（阻尼最小二乘法），局部优化在Code V中的实现。

局部优化，说白了就是“在一个坑里找最深的点”。你给Code V一个初始结构，它就在这个结构附近的山谷里，一步步往下走，直到找到谷底。这个谷底，就是局部最优解。

我刚开始学光学设计时，总觉得局部优化不够“高级”，一心想着全局优化。后来被现实教育了——没有扎实的局部优化，全局优化就是无根之木。你想想看，全局优化再厉害，最后也得靠局部优化去精修。

2.1 阻尼最小二乘法（DLS）的原理

Code V的局部优化核心，就是阻尼最小二乘法。这个名字听着唬人，其实逻辑很直白。

核心思想：我们有一堆像差（比如球差、彗差、像散），每个像差都想让系统参数（曲率、厚度、非球面系数）往某个方向变。但这些方向经常打架——改曲率能减小球差，却可能增大彗差。DLS要做的，就是找到一组参数变化量，让所有像差的平方和最小。

数学上，它解的是这个方程：

(AᵀA + μI)Δx = -Aᵀf

这里：

• A 是雅可比矩阵——每个像差对每个参数的偏导数
• f 是当前像差向量
• Δx 是参数变化量（我们要找的）
• μ 是阻尼因子——这就是“阻尼”二字的来源
• I 是单位矩阵

为什么要加这个 μI？我举个例子。有一次我在优化一个鱼眼镜头，初始结构离目标很远。如果不加阻尼，AᵀA 矩阵可能接近奇异，算出来的 Δx 大得离谱，系统直接崩掉。阻尼因子就像给优化加了“刹车”——当步长太大时，μ 自动增大，让步子变小；当接近谷底时，μ 减小，让步子更精确。

2.2 阻尼因子的自适应策略

Code V 的 DLS 实现中，阻尼因子 μ 不是固定的。它有一套自适应逻辑：

1. 初始值：通常设为 0.001 或 0.01
2. 迭代判断：如果本次迭代后像差平方和下降，μ 减小（比如乘以 0.3），步子变大
3. 如果像差上升：μ 增大（比如乘以 10），步子变小，重新计算
4. 重复：直到找到下降方向或达到最大尝试次数

这个机制，我称之为“优化器的自我修养”。它让算法在平坦区域大步流星，在陡峭区域小心翼翼。

场景	阻尼因子变化	效果
像差下降顺利	μ 减小	步长增大，加速收敛
像差上升或震荡	μ 增大	步长减小，稳定搜索
接近谷底	μ 趋近于 0	退化为高斯-牛顿法，精确收敛
远离谷底	μ 较大	接近最速下降法，保证下降

2.3 Code V 中局部优化的实现

在 Code V 里跑局部优化，核心命令就两个：AUT 和 AEI。但用好它们，需要理解背后的逻辑。

2.3.1 基本流程

1. 定义误差函数：用 MXT、MTF、SPC 等命令设置优化目标
2. 选择变量：用 CVX 或 THX 等命令将参数设为变量
3. 运行优化：输入 AUT 启动自动优化
4. 检查结果：用 AEI 查看优化后的像差变化

一个典型的优化会话：

! 设置优化目标：控制焦距和像差
MXT 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0
SPC WAV 0.5876 0.4861 0.6563
SPC CIR 0.0 0.7 1.0

! 选择变量：曲率和厚度
CVX 1 10
THX 1 10

! 启动优化
AUT

! 查看结果
AEI

2.3.2 优化策略的选择

Code V 的 AUT 命令有几个关键参数：

参数	作用	我的建议
DMP	阻尼因子初始值	默认 0.01，一般不动
ITR	最大迭代次数	先设 20，看收敛情况再调
PRT	打印详细程度	设 2，能看到每次迭代的误差变化
STP	步长缩放因子	默认 1.0，收敛慢时可调大

我个人习惯这样用：

AUT DMP 0.01 ITR 30 PRT 2 STP 1.0

这个配置适合大多数情况。如果遇到收敛慢，我会把 ITR 加到 50，STP 调到 1.2。但注意——步长太大可能导致震荡，要观察 PRT 输出的误差变化曲线。

2.4 局部优化的局限性

这里我要说句大实话：局部优化只能找到最近的谷底，不能保证是全局最优。你给一个双高斯初始结构，它不会自己变成反远距结构。

为什么会这样？因为 DLS 本质上是“贪心”的——它只看当前点的梯度方向，不看远处的山形。就像你在雾天爬山，只能看到脚下几米的路，不可能知道山顶在哪。

这也是为什么我们需要全局优化——它负责“找对山头”，局部优化负责“爬到山顶”。两者配合，才是完整的设计流程。

2.5 本章知识体系

下面这张图，帮你理清局部优化的核心逻辑：

这张图把局部优化的三个核心模块串起来了：数学原理是基础，阻尼因子自适应是灵魂，Code V 实现是工具。三者缺一不可。