2. 数学基础回顾：线性代数、微积分与优化理论

做镜头设计这些年，我越来越觉得：数学不是用来考试的，是用来救命的。尤其是当你面对一堆互相打架的约束条件——像什么像差、畸变、后焦、总长——光靠直觉调参数，调三天也调不出来。这时候，数学工具就是你的“系统化武器”。

这一章，我们快速过一遍约束求解里最常用的数学基础。别怕，我不推公式，只讲“怎么用”。

2.1 线性代数：矩阵与向量空间

镜头设计里，一个光学系统可以用一组参数来描述：曲率半径、厚度、玻璃折射率、非球面系数……这些参数排成一列，就是一个向量。

2.1.1 矩阵——约束的“打包工具”

举个例子。一个三片式镜头，有15个变量。每个约束条件（比如焦距、后焦、畸变）都可以写成这些变量的函数。把这些函数对变量的偏导数排成一张表——这就是雅可比矩阵。

我个人习惯把矩阵看作“约束的打包工具”。你想想看：

• 单行矩阵 = 一个约束条件
• 多行矩阵 = 多个约束条件同时作用
• 矩阵乘法 = 约束条件之间的耦合关系

我在项目中遇到过一个问题：一个变焦镜头，变倍组和补偿组的运动曲线总是打架。后来我把两个组的位移约束写成矩阵形式，发现是矩阵的秩不够——说白了，两个约束其实是线性相关的，一个约束就能描述清楚。去掉冗余约束后，求解速度直接翻倍。

2.1.2 向量空间——可行域长什么样？

每个设计参数都是一个维度。15个参数，就是15维空间。约束条件在这个空间里切出一个个“可行区域”。

约束类型	数学表示	在向量空间里的样子
等式约束	f(x) = 0	一个超曲面（像一张纸）
不等式约束	g(x) ≤ 0	一个半空间（像一堵墙的一侧）
边界约束	a ≤ x ≤ b	一个超立方体（像盒子）

嗯，这里要注意：多个约束的交集才是真正的可行域。如果交集是空集——恭喜你，这个系统无解。我见过不少新手，加了20个约束，最后发现可行域是空的，白忙一场。

2.2 微积分：梯度与雅可比矩阵

微积分在约束求解里就干一件事：告诉你怎么走。

你站在可行域里，想找一个更好的设计点。往哪个方向走？走多远？这就是梯度和雅可比矩阵要回答的问题。

2.2.1 梯度——最陡的方向

梯度是一个向量，指向函数值增加最快的方向。在优化里，我们通常想减小目标函数（比如像差），所以会沿着梯度的反方向走——这就是梯度下降法。

说白了：

• 梯度方向 = 上坡方向
• 负梯度方向 = 下坡方向
• 梯度大小 = 坡有多陡

我记得有一次，一个同事调了三天都没把球差压下去。我帮他看了一眼梯度——梯度在某个参数上几乎为零，说明那个参数对球差“不敏感”。换了个敏感参数，两步就调好了。

2.2.2 雅可比矩阵——多约束的“方向盘”

当你有多个约束条件时，梯度就升级成了雅可比矩阵。它是一个矩阵，每个元素是第 i 个约束对第 j 个变量的偏导数。

J = [ ∂f₁/∂x₁  ∂f₁/∂x₂  ...  ∂f₁/∂xₙ ]
    [ ∂f₂/∂x₁  ∂f₂/∂x₂  ...  ∂f₂/∂xₙ ]
    [   ...       ...     ...    ...   ]
    [ ∂fₘ/∂x₁  ∂fₘ/∂x₂  ...  ∂fₘ/∂xₙ ]

雅可比矩阵告诉你：每个参数变化，会如何影响每个约束。这就像开车时的方向盘——你转动方向盘（改变参数），车头方向（约束值）就会跟着变。

2.3 优化理论：凸优化与非凸优化

优化理论是约束求解的“总指挥”。它告诉你：怎么在可行域里找到最好的点。

2.3.1 凸优化——简单但强大

凸优化要求：目标函数是凸函数，可行域是凸集。说白了，就是“只有一个坑”的问题。

凸优化的好处：

• 全局最优解：找到的就是最好的，没有“假坑”
• 求解快：算法稳定，收敛有保证
• 可预测：每次跑结果都一样

但现实中的镜头设计，几乎都是非凸的。为什么？因为像差函数是高度非线性的，可行域也经常是弯弯曲曲的。

2.3.2 非凸优化——现实世界的常态

非凸优化有多个局部最优解。你找到的解，可能只是“矮子里拔将军”。

特性	凸优化	非凸优化
最优解	全局唯一	多个局部最优
初始点敏感度	不敏感	非常敏感
常用算法	梯度下降、牛顿法	模拟退火、遗传算法、多起点法
镜头设计适用性	仅限简单系统	几乎所有实际系统

我个人习惯的做法是：先用全局优化（非凸）找到几个“好苗子”，再用局部优化（凸）精修。这样既避免了掉进假坑，又能快速收敛到高精度解。

2.4 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以把它当作“约束求解的数学地图”。

这张图你看懂了吗？说白了，约束求解就是三件事的串联：定义空间 → 找到方向 → 做出选择。线性代数帮你定义空间，微积分帮你找到方向，优化理论帮你做出选择。