3. 爬山搜索算法：从原理到实战改进

爬山算法，说白了就是「往高处走」。在自动对焦里，我们把图像清晰度评价函数看作一座山，山顶就是最清晰的位置。算法从当前点出发，每次朝清晰度值更高的方向移动一步，直到找不到更高的点为止。

听起来很简单对吧？但我在实际项目中踩过不少坑。今天咱们就把爬山算法的底裤扒干净，看看它到底怎么工作，又该怎么改进。

3.1 爬山算法的基本原理

想象你蒙着眼站在一座山上，想走到山顶。你只能用手杖探探周围的地面——哪边高就往哪边挪一步。这就是爬山算法的核心思想。

我习惯把爬山算法分成两种模式：

模式	策略	适用场景
最速爬山	比较左右两个方向，选更优的那个	清晰度曲线比较平滑时
简单爬山	固定一个方向，走到不能走再换	实时性要求高、计算资源有限时

嗯，这里要注意：最速爬山虽然每一步都选最优方向，但计算量翻倍。我在做手机摄像头对焦时，就因为这个原因选了简单爬山——每帧图像的处理时间只有几毫秒，经不起折腾。

3.2 步长与方向判断

步长是爬山算法的命门。步长太大，容易跳过山顶；步长太小，对焦慢得像蜗牛爬。

方向判断其实更讲究。我见过不少新手直接写：

// 错误示范：只比较当前和下一个位置
if (sharpness[next] > sharpness[current]) {
    move_forward();
} else {
    move_backward();
}

这样做的问题在哪？如果当前正好在山脊上，左右都下降，算法就傻眼了。我曾经在一个项目中遇到这种情况，镜头在峰值附近来回震荡，死活停不下来。

正确的做法是加一个「死区」判断：

// 改进版：加入死区和方向记忆
if (sharpness[next] - sharpness[current] > DEAD_ZONE) {
    direction = FORWARD;
    move_forward();
} else if (sharpness[current] - sharpness[next] > DEAD_ZONE) {
    direction = BACKWARD;
    move_backward();
} else {
    // 在死区内，认为已经到达峰值
    stop();
}

3.3 局部极值与全局极值问题

这是爬山算法最大的痛点。你想想看，如果清晰度曲线有多个波峰，爬山算法只能爬到最近的那个山顶，不一定是全局最高的那个。

我画了一张图来说明这个问题：

为什么会这样？因为爬山算法是「贪心」的——它只看眼前一步，不看全局。这在单峰曲线上没问题，但实际场景中，由于镜头像差、光照变化、物体纹理分布等因素，清晰度曲线经常出现多个波峰。

3.4 改进型爬山算法

针对局部极值问题，业界有很多改进方案。我挑几个实战中效果最好的说说。

3.4.1 多起点爬山法

说白了就是「广撒网」。在镜头行程上选多个起始点，分别跑爬山算法，最后取所有结果中清晰度最高的那个。

// 多起点爬山伪代码
function multi_start_hill_climbing() {
    start_points = [0, 0.25, 0.5, 0.75, 1.0]; // 5个起始位置
    best_position = 0;
    best_sharpness = 0;
    
    for (pos in start_points) {
        result = hill_climbing(pos); // 从每个起点跑爬山
        if (result.sharpness > best_sharpness) {
            best_sharpness = result.sharpness;
            best_position = result.position;
        }
    }
    return best_position;
}

3.4.2 模拟退火爬山法

这个思路很有意思——允许算法「偶尔往下走」，就像金属退火时原子偶尔获得能量跳出晶格。刚开始允许跳出的概率大，随着时间推移概率逐渐减小。

阶段	温度	允许下降概率	行为特点
高温期	高	30%-50%	大胆探索，跳出局部极值
中温期	中	10%-20%	逐步收敛，缩小搜索范围
低温期	低	1%-5%	精细搜索，锁定峰值

我记得第一次在项目中用模拟退火时，参数调了整整两天。温度下降太快，算法还是掉进局部极值；下降太慢，对焦时间翻倍。后来我总结出一个经验：温度下降曲线用指数衰减，衰减系数 0.95 左右比较稳妥。

3.4.3 自适应步长爬山法

这个改进解决的是「步长选择」问题。核心思想是：根据清晰度变化率动态调整步长。

// 自适应步长逻辑
function adaptive_step_hill_climbing() {
    step = INITIAL_STEP;
    last_sharpness = get_sharpness(current_pos);
    
    while (step > MIN_STEP) {
        next_sharpness = get_sharpness(current_pos + step);
        delta = next_sharpness - last_sharpness;
        
        if (delta > THRESHOLD_UP) {
            // 清晰度明显上升，大步前进
            step = step * 1.5;
            current_pos += step;
        } else if (delta < THRESHOLD_DOWN) {
            // 清晰度下降，回头并缩小步长
            step = step * 0.5;
            current_pos -= step;
        } else {
            // 变化不大，缩小步长精细搜索
            step = step * 0.7;
        }
        
        last_sharpness = next_sharpness;
    }
}

3.5 三种改进算法的对比

我把这三种改进算法在实际项目中跑过很多次，总结了一张对比表：

算法	抗局部极值	收敛速度	计算开销	实现难度
多起点爬山	高	中	高（与起点数成正比）	低
模拟退火爬山	高	慢	中	中
自适应步长爬山	中	快	低	低

我个人习惯的做法是：如果对焦时间要求宽松（比如显微镜、工业检测），用多起点爬山+自适应步长组合；如果要求实时性（比如手机摄像头、无人机），用自适应步长爬山就够了。