3. 对焦搜索策略：全局搜索、爬山算法、Fibonacci搜索、黄金分割搜索、自适应步长

对焦搜索策略，说白了就是镜头怎么找到最清晰的那个位置。你想想看，镜头从近端跑到远端，中间有几十甚至上百个步进位置，总不能一个一个试过去吧？那得试到猴年马月去。

我刚开始做自动对焦的时候，觉得这事儿挺简单——从最近扫到最远，取清晰度最高的那个位置不就完了？后来发现，这里面门道多着呢。搜索策略选得好，对焦又快又准；选得不好，要么来回震荡，要么直接跑偏。

今天咱们就把五种主流策略掰开揉碎了讲。每种策略我都会结合项目里的实际案例，告诉你什么时候该用，什么时候千万别用。

3.1 全局搜索——最笨但最可靠的方法

全局搜索的思路特别直白：把整个对焦范围分成N个等间距的步进，每个位置算一次清晰度评价值，最后挑最大值对应的位置。

// 全局搜索伪代码
float globalSearch() {
    float bestPos = 0;
    float bestScore = 0;
    
    for (int i = 0; i < TOTAL_STEPS; i++) {
        moveLensTo(i * STEP_SIZE);
        float score = calculateSharpness();
        if (score > bestScore) {
            bestScore = score;
            bestPos = i * STEP_SIZE;
        }
    }
    return bestPos;
}

优点很明显：不会陷入局部极值，一定能找到全局最优。缺点也扎眼：慢。我做过一个项目，镜头行程有2000步，全局搜索每步都要采图算评价值，一次对焦要花3秒多，用户都疯了。

3.2 爬山算法——又快又险的经典方案

爬山算法模拟的是人眼对焦的过程：先往一个方向走，如果清晰度在上升，就继续走；一旦开始下降，就回头找峰值。

我习惯把爬山算法分成两种：

类型	策略	适用场景
固定步长爬山	每次移动固定步长，直到清晰度下降	场景稳定，曲线平滑
变步长爬山	根据梯度大小动态调整步长	需要平衡速度与精度

// 固定步长爬山算法
float hillClimbing() {
    float currentPos = startPos;
    float currentScore = calculateSharpness();
    int direction = 1;  // 1: 正向, -1: 反向
    
    while (true) {
        float nextPos = currentPos + direction * STEP_SIZE;
        float nextScore = calculateSharpnessAt(nextPos);
        
        if (nextScore > currentScore) {
            currentPos = nextPos;
            currentScore = nextScore;
        } else {
            // 尝试反向
            direction *= -1;
            nextPos = currentPos + direction * STEP_SIZE;
            nextScore = calculateSharpnessAt(nextPos);
            
            if (nextScore <= currentScore) {
                break;  // 找到峰值
            }
        }
    }
    return currentPos;
}

3.3 Fibonacci搜索——数学之美

Fibonacci搜索利用斐波那契数列来缩小搜索区间。它的核心思想是：每次迭代只计算两个新位置，就能把搜索范围缩小到原来的约0.618倍。

为什么用Fibonacci数列？因为它在有限步数内能达到最优的区间压缩比。说白了，就是数学上证明了这是最省计算量的方法。

// Fibonacci搜索
float fibonacciSearch(float left, float right) {
    // 生成Fibonacci数列，直到覆盖搜索范围
    int fib[2] = {1, 1};
    while (fib[1] < (right - left) / PRECISION) {
        int next = fib[0] + fib[1];
        fib[0] = fib[1];
        fib[1] = next;
    }
    
    float x1 = left + (float)fib[0] / fib[1] * (right - left);
    float x2 = left + (float)fib[1] / fib[2] * (right - left);
    
    // 迭代缩小范围
    while (abs(x2 - x1) > PRECISION) {
        float s1 = calculateSharpnessAt(x1);
        float s2 = calculateSharpnessAt(x2);
        
        if (s1 < s2) {
            left = x1;
            x1 = x2;
            x2 = left + (float)fib[1] / fib[2] * (right - left);
        } else {
            right = x2;
            x2 = x1;
            x1 = left + (float)fib[0] / fib[1] * (right - left);
        }
    }
    return (x1 + x2) / 2;
}

3.4 黄金分割搜索——工程界的宠儿

黄金分割搜索是Fibonacci搜索的工程简化版。它固定使用0.618这个比例来分割区间，每次迭代只需要计算一个新位置。

我个人特别喜欢黄金分割搜索。为什么？因为它实现简单，性能稳定，而且不需要像Fibonacci那样预计算数列。在嵌入式系统上跑，代码量小，内存占用低。

// 黄金分割搜索
float goldenSectionSearch(float left, float right) {
    const float GOLDEN_RATIO = 0.6180339887f;
    
    float x1 = right - GOLDEN_RATIO * (right - left);
    float x2 = left + GOLDEN_RATIO * (right - left);
    
    float s1 = calculateSharpnessAt(x1);
    float s2 = calculateSharpnessAt(x2);
    
    while (abs(right - left) > PRECISION) {
        if (s1 < s2) {
            left = x1;
            x1 = x2;
            s1 = s2;
            x2 = left + GOLDEN_RATIO * (right - left);
            s2 = calculateSharpnessAt(x2);
        } else {
            right = x2;
            x2 = x1;
            s2 = s1;
            x1 = right - GOLDEN_RATIO * (right - left);
            s1 = calculateSharpnessAt(x1);
        }
    }
    return (left + right) / 2;
}

3.5 自适应步长——动态调整的艺术

自适应步长策略的核心是：根据当前清晰度曲线的梯度大小，动态调整搜索步长。梯度大的地方（曲线陡峭），步长小一点，避免越过峰值；梯度小的地方（曲线平坦），步长大一点，加快搜索速度。

我常用的自适应步长公式：

// 自适应步长计算
float adaptiveStep(float currentGradient, float baseStep) {
    // 梯度归一化到 [0, 1]
    float normalizedGrad = min(1.0f, abs(currentGradient) / MAX_GRADIENT);
    
    // 步长 = 基础步长 * (1 - 梯度系数 * 归一化梯度)
    float step = baseStep * (1.0f - 0.8f * normalizedGrad);
    
    // 限制步长范围
    return clamp(step, MIN_STEP, MAX_STEP);
}

3.6 五种策略对比

策略	收敛速度	抗干扰能力	实现复杂度	适用场景
全局搜索	慢	强	低	冷启动、多峰场景
爬山算法	中	弱	低	单峰、实时性要求高
Fibonacci搜索	快	中	中	有限步数内最优
黄金分割搜索	快	中	低	嵌入式、单峰精确定位
自适应步长	快	中	高	动态场景、光照变化大

3.7 知识体系总览

下面这张图把五种搜索策略的关系和适用场景梳理清楚了。你可以把它当作选型时的参考地图。

3.8 实战选型建议

说了这么多，到底该怎么选？我个人的经验是：

• 冷启动或场景切换：先用全局搜索（步长设大一点，比如10步），找到大致位置，再切到黄金分割搜索精确定位。
• 连续对焦（视频模式）：用爬山算法+自适应步长。每次对焦从上一次位置开始，步长根据场景变化速度动态调整。
• 低光照环境：优先用全局搜索或黄金分割搜索。爬山算法在低光照下容易误判方向。
• 嵌入式系统（资源受限）：黄金分割搜索是首选。代码量小，不需要额外存储空间。