優(yōu)化是一個(gè)有助于找到一個(gè)光學(xué)系統(tǒng)的最佳解決方案的實(shí)驗(yàn)過(guò)程，它主要是利用參數(shù)的變化而試圖達(dá)到預(yù)期的結(jié)果。在Speos 2023 R2中提供三種可供選擇的方法來(lái)執(zhí)行此類(lèi)分析。第一個(gè)是基于workbench創(chuàng)建的優(yōu)化，第二種使用optiSLang及其強(qiáng)大的優(yōu)化功能，在optiSLang種直接調(diào)用Ansys Speos求解器，訪問(wèn)發(fā)布的參數(shù)，設(shè)計(jì)識(shí)別最重要的輸入?yún)?shù)，多目標(biāo)優(yōu)化在不同目標(biāo)之間進(jìn)行權(quán)衡，第三種是利用嵌入到Speos中的優(yōu)化工具optimization，允許基于隨機(jī)算法Random search設(shè)置一個(gè)優(yōu)化，以研究不同參數(shù)集對(duì)仿真結(jié)果的影響。

本案例講述使用Speos optimization 優(yōu)化工具，快速優(yōu)化設(shè)計(jì)。為描述案例講解過(guò)程，首先對(duì)optimization工具的參數(shù)進(jìn)行詳細(xì)解釋。

Speos optimization優(yōu)化功能提供三種優(yōu)化模式: Random Search隨機(jī)搜索算法是一種基于隨機(jī)的全局優(yōu)化方法，優(yōu)值提供函數(shù)定義優(yōu)化的收斂過(guò)程，Minimize允許獲得盡可能接近目標(biāo)值的模擬值。Maximum允許獲得盡可能遠(yuǎn)離目標(biāo)值的模擬值。Design of Experiment實(shí)驗(yàn)設(shè)計(jì)允許定義變量的值，通過(guò)使用基于所選變量的Excel文件來(lái)定義變量。Plugin插件允許使用自己創(chuàng)建的優(yōu)化算法，以便在分析中增加更多的靈活性。

Optimization特性根據(jù)變量的來(lái)源提供了三種變量類(lèi)型。

Simulation variable模擬變量對(duì)應(yīng)Speos的仿真變量，在此變量列表中可以選擇光源的參數(shù)、探測(cè)器的參數(shù)、包括3D texture的參數(shù)。在optimization設(shè)置列表中，可以查看添加到優(yōu)化中的變量的當(dāng)前值，和數(shù)值變量可變范圍，可以修改min和max的數(shù)值，使得變量在更大或更小的范圍內(nèi)變化。

Design variable設(shè)計(jì)變量對(duì)應(yīng)于光學(xué)部件設(shè)計(jì)參數(shù)，在Speos 中完成的所有OPD光學(xué)部件設(shè)計(jì)參數(shù)，都可以作為優(yōu)化變量選擇optimization中，例如lightguide、TIR、optical lens、optical surfaces等設(shè)計(jì)參數(shù)。在optimization設(shè)置列表中，可以查看添加到優(yōu)化中的變量的當(dāng)前值，和數(shù)值變量可變范圍，可以修改min和max的數(shù)值，使得變量在更大或更小的范圍內(nèi)變化。

Document variable對(duì)應(yīng)于可以在spacecclaim Groups面板(驅(qū)動(dòng)維度，腳本參數(shù))中創(chuàng)建的輸入?yún)?shù)，也可以是機(jī)械變量參數(shù)，例如機(jī)械半徑等參數(shù)。在optimization設(shè)置列表中，可以查看添加到優(yōu)化中的變量的當(dāng)前值，和數(shù)值變量可變范圍，可以修改min和max的數(shù)值，使得變量在更大或更小的范圍內(nèi)變化。

1.在Speos中，打開(kāi)案例LightGuide_Tutorial，此案例可以在Ansys learning Hub優(yōu)化課程中找到。

2.定義光源、探測(cè)器、材料屬性、直接仿真運(yùn)算得到XMP仿真結(jié)果。

3.對(duì)仿真結(jié)果中的出光區(qū)域的RMS做為目標(biāo)優(yōu)化值。

4.點(diǎn)擊optimization，選擇light guide仿真，選擇R1-R5作為document variable，并修改參數(shù)變量的min和max。選擇RMS作為target， 設(shè)置目標(biāo)值，權(quán)重為1。

5.選擇random search，Minimize優(yōu)化，仿真運(yùn)算時(shí)間600S，圖形處理器運(yùn)算仿真。

6.最終得到如下結(jié)果，優(yōu)化后RMS降低，整體均勻性提高。