联合方案 | Ansys二维光栅出瞳扩展系统优化（下）

准备好 Python 代码后，我们就可以开始在 optiSLang 中进行优化了。第一步是在  optiSLang中打开一个空文件，拖动求解器向导，放入scenery中，然后选择Python集成。

如下所示，会弹出向导窗口  ，显示Python代码。我们将首先通过右键单击变量（如 clen1）来设置参数，然后选择用作参数。我们将对从 clen1 到 power 的所有变量执行此操作。如下所示，所选变量将显示为左列“参数”。

设置完参数后，我们应该测试 Python 代码是否可以成功运行。为此，我们应该打开OpticStudio并打开交互式扩展模式，如下所示。然后在求解器向导中，我们可以单击向下箭头并选择“Test run with inputs”，如下所示。如果它运行良好，您应该看到，在OpticStudio窗口中，交互式扩展的对话框将显示为“已连接”。

如果测试运行失败，其中一个可能的原因是 Python 环境不对。用户可以更改设置，如下所示，以查看是否可以解决问题。

计算完成后(在我们的测试中大概需要 13 分钟)，我们应该在日志中看到消息“Manual test run successfully processed”，如下所示。现在，如果我们转到***.opd文件夹(可以通过右键单击系统头并选择“show working directory”轻松访问)，我们可以找到辐照分布被导出到文件夹“\Parametric_solver_system\design_data”中，这是Python代码中指定的路径。

类似于对参数的设置，我们可以对结果做相同的操作。在这里，我们将右键单击 Python 代码中的变量““Uniformity”, “Contrast”, 和 “TotalPower”然后选择“Use as response”。然后，这 3 个变量将在Responses的右侧列中显示。

向导的下一页要求用户定义每个参数的参考值和范围。参考值将只遵循我们在上一步中设置参数时的定义。范围由设计师决定，没有标准参考值。用户可以在下载链接中查看随附的optiSLang文件，作为在优化过程中确定范围的参考。请注意，此范围是绝对的。在优化过程中，参数不会突破边界。这与Zemax OpticStudio优化的设置不同。

在向导的下一页中，我们需要根据给定的响应设置条件。如下图所示，我们可以将响应拖到底部以设置约束或目标。在这种情况下，我们设置了 3 个目标，以最小化对比度、均匀性以及最大化总功率。我们还可以为对比度和总功率设置 2 个约束来告诉 optiSLang，避免一些极端情况，即结果是均匀的，而总功率极低，或者相反的情况。

最后一页不需要操作。单击“完成”按钮后，工作区中将显示参数系统。

3-3.（可选）设置并行计算

本节中的操作不是必须的。在这里，我们将展示如何在optiSLang端设置并行计算以加快优化速度。如果用户拥有多个 Lumerical FDTD 求解器许可证，则可以考虑这样做。要进行此设置，第一步是右键单击参数化系统块，选择“编辑”，然后将极限最大值并行设置为6或任何不大于  8的数字或Lumerical FDTD求解器许可证的总数量，如下所示。

注意我们需要做同样的事情来右键单击 Python 节点并选择“编辑”。要设置详细信息，我们需要首先单击右上角的汉堡标记，检查属性和占位符，然后单击“确定”按钮。然后我们可以将最大并行设置为6，如下所示。请注意，我们还需要在窗口的下部将最大值并行设置为6。如果先设置此参数，上面的 MaxParallel 也会自动更改，但仔细检查它是否按预期设置更安全。

最后，建议检查“Retry execution”，将重试次数设置为 20，并将尝试间隔延迟设置为 1000 毫秒。此设置可避免 optiSLang 尝试访问具有 1 个以上线程的同一 OpticStudio 实例的争用条件。

如果并行设置是多个，在运行optiSLang时，我们还需要打开相同数量的OpticStudio实例，那么optiSLang可以为每个实例创建一个线程。

3-4.灵敏度以及优化设置

下一步是设置灵敏度分析。一般来说，灵敏度分析是一种找出对响应影响最大的最重要参数的方法，并生成显示响应和参数变化之间关系的最佳元模型，以更好地了解系统行为。

灵敏度系统可以通过将向导拖动到参数化系统块来设置，如下所示。参数和条件将被复制，我们不需要再次设置。默认情况下，它将建议AMOP模型，我们可以保留此设置。AMOP是一种迭代抽样方法，将设计采样到设计空间中，直到达到目标标准 - 最大设计或模型质量。因为本模型具有高度非线性，无法达到足够的模型质量，因此在下一阶段将进行实际运行优化。

类似地，我们将优化向导拖到 AMOP 模块中以进行优化。请注意，当它询问优化方法时，我们应该选择Real Run，因为该系统永远不会有高质量的最佳预后元模型（MOP）。MOP是在（Most and Will 2008）中提出的，它基于对最佳输入变量集和最合适的近似模型（多项式或具有线性或二次基的MLS）的搜索。对于优化算法，建议使用进化算法，它适用于非常不均匀和不连续的解空间。

3-5.开始优化

用户只需打开一个OpticStudio并在交互式扩展模式下准备就绪即可。注意必须取消选中断开连接时自动关闭，如下所示。请注意，如果并行计算已设置为6，如上所述，用户将需要在此处打开相同数量的实例（例如6个），optiSLang将同时访问所有实例。

当一切准备就绪后，我们可以单击按钮进行优化。

在这个示例系统中，我们花了大约 2~3 天的时间在普通台式 PC 上运行此优化。

3-6.优化结果

通过双击进化算法块扩展的后处理可以找到优化结果，如下所示。

下图中的红色标记设计称为帕累托边界。一般来说，帕累托边界显示了多个目标之间的权衡，即不存在一个设计在各项指标上均优于另一个的情况。这意味着所有这些设计都显示了多个标准的不同平衡。我们选择了 3 个结果，如下所示  。986号的对比度比946号高，同时看起来更均匀。这意味着这里使用的标准可以改进，以更好地匹配人类视觉。