【摘要】：优化非序列组件中的变量与序列中的数值参量基本上没什么差别，用和镜头数据编辑器中一样的方法设置变量。但是优化非序列物体性能很困难，因为光线会以不可预测的传播方式通过一个非序列组。对于非序列物体，如棱镜，通常棱镜位置或尺寸的一个很小的变化不会显著影响光线的路径。某些非序列系统的另外一个问题是出瞳可能不是入瞳的理想像。
优化非序列组件中的变量与序列中的数值参量基本上没什么差别，用和镜头数据编辑器中一样的方法设置变量。但是优化非序列物体性能很困难，因为光线会以不可预测的传播方式通过一个非序列组。对于非序列物体，如棱镜，通常棱镜位置或尺寸的一个很小的变化不会显著影响光线的路径。然而对于某些物体，诸如光管，物体定义很小的变化会显著影响光线的路径。如果物体的位置或角度有些微小的改变，那么经过该物体传播的光线可能完全错过该物体。这通常在软件计算时会导致严重的错误，并且优化的效果会很差，或优化根本不能进行。
在ZEMAX 中有两种局部优化算法：Orthogonal Descent（OD）和Damped Least Squares（DLS）。
在优化一开始，一般使用Orthogonal Descent 优化器，然后用Damped Least Squares或者是锤形（Hammer）优化器来优化结果，Orthogonal Descent 通常比Damped Least Squares 优化器要快，但优化结果也许不是最优的。所以先用Orthogonal Descent 进行优化。(www.xing528.com)
某些非序列系统的另外一个问题是出瞳可能不是入瞳的理想像。因此，如果系统在出瞳处不形成入瞳像的非成像系统，应该使用矩形阵列而不是高斯积分。对这些系统，使用全局优化算法可能更有效，因为该算法不只依赖于微分算法。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
