一种基于着色剂的光学装置及其人工智能的设计方法与流程

本发明属于光学领域，具体涉及一种基于着色剂的光学透射装置的用以实现目标吸收或透射光谱的智能着色剂调配与光学装置设计方法。

背景技术：

当用着色剂（色素，着色剂）来实现设计师所需要的光学装置的吸收透射光谱的时候，现有技术建立于筛选一种着色剂或筛选和搭配多种着色剂用于光学装置的物体表层和/或溶解（扩散，渗入)在光学装置的物体里面，例如墨镜。但是筛选和搭配的过程一向是靠非人工智能的方式叠加不同的着色剂以达到所需的吸收/透射光谱和透明度。

现有的设计师手动流程有五个关键性弱点：

1、当设计库有大量着色剂选择的时候，非人工智能的设计方法难以保证是最优化的。

2、当设计库有大量着色剂选择的时候，非人工智能的设计方法是低效的，特别是当着色剂配方的综合指标不是轻易能够达到时。

3、几乎所有着色剂都有吸光和荧光效应。当选择和搭配多种着色剂时，着色剂之间的荧光对吸收光谱的影响难以用非人工智能的方式正确计算。导致了着色剂配方所实现的综合透射光谱与设计的综合透射光谱有差别。

4、当设计库有新的候选着色剂时，非人工智能的设计方法难以高效的对比、筛选、更换着色剂的组合。

5、非人工智能的设计方法难以同时优化多方面指标 （包括吸收/透射光谱，透明度，物体厚度, 层次, 着色剂配方，原料费用，工业难度）。

技术实现要素：

本发明公开了一种以着色剂为有效成分的光学装置的设计方法，其特征在于，包括如下步骤：

1）输入优化目标；

2）从着色剂的电子数据库中筛选着色剂；

3）指定约束指标；

4）运用光学和色彩学模拟方法模拟以着色剂为有效成分的光学装置的光学透射以及使用者色彩感知的效果；

5）在约束指标的要求范围内,优化所需的光学装置的各种参数使其尽可能的接近或实现所需的目标；

6）对设计成果绘图与数据显示；

7）储存设计成果。

进一步，步骤4）中，通过本层基质的综合入射光、该层中着色剂的摩尔消光和密度以及基质厚度，根据朗伯 -比尔定律来进行着色剂在基质中的对光的吸收的光学模拟；通过着色剂的释放光谱特征、本层基质的综合入射光强度和量子产率、以及光学透射装置和人眼的物理、几何特征所产生的减免影响，进行每个着色剂在基质中所产生的荧光的光学模拟。

进一步，步骤5）中进行优化包括如下步骤：

51）根据光学装置的几何与人眼的相对位置、距离以及人眼瞳孔的几何确定着色剂荧光形状系数；

52）输入一个单数光谱目标；

53）定义设计光谱的优化成本函数；

54）选择单个或综合性质的光学装置设计目标进行多目标优化。

进一步，步骤4）中采用的模拟方法给予光学装置在多方面的自由度，包含但不局限于：光学装置的有效结构由单基层或多基层组成，在每个基层中采用单着色剂或多种着色剂同时存在为有效光谱吸收成分，其中每个基质层的厚度可以自由调控，每个基质层中的着色剂种类、浓度也可以独立调控。

进一步，光学装置中一层的最终透射光谱是由没被本层吸收的射入光和荧光组成的，光学装置中多层基质的综合光谱是依据入射光的入射路径所经过的基质层依次计算，整个光学透射装置的综合透射光谱为通过最后一层的综合透射光谱。

进一步，步骤1）中的优化目标包括但不局限于: 透射光谱目标，和/或着色剂数量，和/或光学装置基层层数、厚度，和/或各种所需的色感指标如色彩饱和度,色域,色差,色品,白点位置，和/或光学装置制作成本。

进一步，着色剂的数据库中包括着色剂的可用参数，其中包含且不局限于所涉及着色剂的种类、吸收光谱特征、摩尔消光系数、荧光光谱特征、量子产率、激振、光学稳定性、化学稳定性、热力学稳定性、在不同基质中的溶解度与光学变化、与其他着色剂的化学作用、成本。

进一步，步骤3）中的约束指标是步骤1）中的任何一种或多种优化目标。

进一步，对于步骤5）中采用的优化方法，进行最佳优化方式的判定，判定优化与约束指标的性质是否线性、凸性或多目标性，基于此性质选取最佳优化方法进行光学装置各参数的优化。

进一步，采用人工智能的方法对优化类别进行判定。

进一步，优化目标和约束指标包括基层的数量、厚度和折射率，每基层中的着色剂的种类、数量、浓度和制造成本，整个光学装置的厚度、折射率，着色剂的总体数量和制造成本。

进一步，步骤5）中涉及的优化法包括但不局限于：线性优化的单纯性法、凸性优化的内点法和次梯度法、非凸优化的模拟退火、遗传算法、动态维数搜索。

进一步，着色剂荧光形状系数为绝对的形状系数或以光学装置透光的形状系数为基础的相对荧光形状系数。

进一步，基质的综合入射光为上一基层基质的综合透射光与本基层基质中所有着色剂产生荧光的矢量线性叠加得出，具体算法如下：

其中，为第n层基质的综合入射光；

为第n-1层基质的综合透射光；

为第n层基质着色剂因为吸收第n层综合入射光所产生的荧光，其形状系数为；

是第n-1层基质因为吸收了第n层基质的荧光而产生的荧光，其形状系数为，其中i为着色剂的索引指数。 是第n层基质中着色剂的总数。

进一步，在每一基质层的综合透射光是根据本层基质中多个着色剂对本层综合入射光的改变。该改变是通过各个着色剂对光的吸收的对数叠加方法来进行计算的，对数叠加公式为：

其中，为第n层基质的综合透射光，

为第n层基质的所有着色剂的透射光谱。

进一步，所述光学模拟的函数为：

n基层内在波长λ下的荧光可以表示为：

其中，

Ψ_i,n为可见光范围内（380到780纳米）的着色剂i产生的荧光综合值；

是着色剂i在波长λ下，标准化后的荧光光谱；

为基层n中着色剂i在波长下的独立荧光；

为从基层n放射与基层n+1的所有着色剂在波长下的剩下荧光；

为波长下，着色剂i产生的荧光与此荧光被基质层n中其他着色剂的吸收消耗后的剩余荧光的比率参数；

为基质层n中的剩余荧光比率的第一阶中心矩（first moment arm）；

是第n层基质中着色剂的总数；

为第n层基质的所有着色剂的透射光谱；

为第n层到第n+1层基质的形状系数。

进一步，所述优化成本函数为：

其中

N是光学装置中基质层数；

TS是透射光谱的缩写；

TS_Target 和 TS_Design分别为目标与设计的透射光谱；

U是独特着色剂的总数量；

SR是两个相邻光谱区域的变化矢量；

J是SR光谱区域的数量；

j是SR区域的索引指数；

γ₁ 和 γ₂为代价参数；

α 和 β为常数；

A 为着色剂使用数量限制；

B 为常数；

η 为SR光谱区域内1纳米单位光波的数量；

SP 是目标与设计的索引指数。

进一步，当非凸优化确定以后，当要优化大量的变数时，自动使用巨维退火的启发式算法。

进一步，所述巨维退火的启发式算法包括：

1）、对于每个所需优化的变量，搜索邻域使用的概率函数，用以建设新的候选解；

2）、检查候选解是否满足设计约束，如果不满足就重新选择候选解值以满足有关设计约束；

3）、候选解包括没变的变数和改变了的变数，通过被评估来判定其对优化目标的改变并判定是否满足所有限制条件；

4）、计算候选解的目标值加上任何超过限制条件的代价作为为总成本值，比较候选解和当前解的总成本值差距；

5）、如果候选解的成本小于当前解，候选解就被接受为新的当前解并用于下一轮候选解与总成本计算；如果候选解的成本大于当前解，那么候选解有一个概率被接受为暂时当前解并用于下一轮计算。

进一步，循环求解的次数是一个预先设定的值，算法会在达到此循环求解次数时或成本变化小于一个阈值的时候终止。

进一步，人工智能的最佳优化方式的判定即为判定优化与约束目标的性质，是否线性、凸性或多目标性，性质判定包括计算与判断海森矩阵和关联的特征标量的值，或者运用一个快速的梯度下降法或梯度上升法来鉴定局部最优解的存在。

进一步，优化分为凸优化和非凸优化两大种类，人工智能的方法对优化类别的判断包括判别优化的海森矩阵是否是半正定矩阵，所述海森矩阵表达为：

其中，f 是优化目标或约束函数；

c是着色剂浓度；

为着色剂和其所在基质层中的浓度。

本发明还公开了采用上述设计方法设计的光学装置，其中，在380-780纳米的光波范围内只有440-510纳米是低透射光波长区域，或者在380-780纳米的光波范围内只有530-610纳米是低透射光波长区域，或者在380-780纳米的光波范围内440-510纳米、530-610纳米这两个区段同时是低透射光波长区域，在380-780纳米的广播范围内的其它光波长区域具有平均中到高度的透射光谱。

本发明具有如下的有益效果：

a. 本发明的设计方法能够优化基于着色剂的单层或多层基质叠加而成的光学装置；

b. 采用人工智能的设计方法能够同时优化所设计的光学装置的某种或多种指标（包括吸收/透射光谱，透明度，物体厚度, 层次, 着色剂配方，原料费用，工业难度等）；

c. 采用人工智能的设计方法使用约束优化的方式(constrained optimization method)来达到设计师需要的单个或多个目标、指标；

d. 采用本发明的人工智能的设计方法，通过考虑着色剂对光的吸收以及相应的荧光,能够自动地模拟单层效果或多层的叠加效果以及层间的相互的影响；

e. 采用本发明的人工智能的设计方法可以提高着色剂选择优化的效果的同时大大提高设计过程的效率, 尤其当设计库有大量着色剂选择的时候。

附图说明

图1：光学透射装置光源与基质层透射示意图；

图2：基质层、着色剂与色彩感知设计的示意图；

图3：本发明使用的描述人眼接收到光学透射装置产生荧光的模型图；

图4：使用本发明的方法达到光学透镜实现目标光谱的第一示例图；

图5：使用本发明的方法达到光学透镜实现目标光谱的第二示例图；

图6：使用本发明的方法达到光学透镜实现目标光谱的第三示例图。

具体实施方式

本发明的设计方法中既包括了着色剂对光的吸收也包括了着色剂因为光吸收所产生的荧光对基层透光谱的影响。在此基础上，本发明的方法还建立了着色剂库（即为着色剂数据库）以及关联以上各种变量选择与光学透射装置整体透射光谱（即最终透射目标）的一系列优化方式。本发明还提供了人工智能的方法来根据优化目标与约束指标选择优化方式。优化目标与约束指标包括吸收/透射光谱，透明度，物体厚度, 层次, 着色剂配方，原料费用，工业难度等。

如图1所示，本发明的设计方法给予模型在多方面的自由度（即变量）。光学透射装置的有效结构可以是单基层（即基质透射层）也可以是多基层组成。在每个基层即基质透射层中可以是单着色剂也可以是多种着色剂同时存在为有效吸光成分。其中每个基质层的厚度可以自由调控，每个基质层中的着色剂种类、浓度也可以独立调控。

具体来讲,光学装置中某一基层（第n层）的综合透射光（谱）是由透射过这一基层（第n层）的综合入射光和这一基层通过吸收综合入射光产生的荧光组成。这一基层（第n层）的综合透射光便依据入射光的入射路径入射到下一基层（第n+1层）。此入射光与下一基层（第n+1层）因为吸收此入射光产生的荧光通过形状系数矢量线性叠加到此入射光中成为其基层（第n+1层）的综合入射光。光学透射装置中多层基质的整体透射光（谱）是依据入射光的入射路径所经过的基质层依次计算，通过最后一层的综合透射光（谱）。

另外每一个基层对光的吸收和透射也取决于其中着色剂或着色剂组的种类、密度、光学装置层次厚度。例如同层着色剂A的荧光会被同层着色剂B局部吸收和下一层着色剂C局部吸收。

同理将透镜中所有基层进行如图1中的矢量叠加就可以精确的模拟出整个透镜的透射光谱。本模型另一个特点就是可以根据最终的透镜整体透射光谱结果，从着色剂数据库中对着色剂进行筛选。通过人工智能的方式选择着色剂或着色剂组来实现优化目标和约束指标。

一、形状系数模型

基质层通过吸收综合入射光产生的荧光是多方向性的。产生荧光的基层与受此荧光影响的基层（或人眼）的物理位置关系及几何形状特征直接影响受此荧光影响的基层（或人眼）所接收到的荧光强度。此荧光强度直接通过以上描述的方式直接影响光学装置的透射光谱。因此荧光强度会影响色彩感知。

本申请中将这种影响通过形状系数模型进行表达（view factor）。图2是本发明使用的描述人眼接收到透镜产生荧光的模型。模型是基于人眼和透镜的物理位置关系及几何特征通过形状系数（View Factor， F）来表达的和模拟的。具体来说眼睛的瞳孔可以近似圆盘形状。由于瞳孔的面积微小，形状系数中的瞳孔几何也可用方盘估算。因为透镜镜片形状通常多见圆形或长方形，镜片几何也可用圆盘或方盘估算。再考虑到人眼与透镜的距离便可以通过形状系数模型（如图2），计算出荧光从透镜到瞳孔的形状系数。这个形状系数是一个小于1的系数，如0.18。

根据光学装置的几何与人眼的相对位置、距离以及人眼瞳孔的几何确定着色剂荧光形状系数(view factor）。该荧光形状系数(view factor）可以成为绝对的形状系数（光学装置荧光和人眼吸收光的比例），例如10^-5 到0.1；也可以成为以光学装置透光的形状系数为基础的相对荧光形状系数。例如0.3到0.7层间的形状系数。

如下通过两个例子描述本申请如何运用绝对形状系数进行计算。

实施例一

绝对形状系数通过计算光波通过镜片到瞳孔的百分比获得。

1.假设墨镜镜片为圆形，半径R₁为2cm。

2.在佩戴墨镜的弱光状态下，假设眼睛瞳孔的半径R₂为2.5毫米。

3.瞳孔和墨镜的距离H为6 mm。

4.结合图3里的计算方式，此绝对形状系数为F₁₂=0.014。

5.使用此绝对形状系数用于荧光，上面的绝对形状系数F₁₂是基于光线通过镜片向眼睛方向传播，而荧光是没有方向性的，所以荧光的绝对形状系数f₁₂= 0.5F₁₂=0.007。因此，到达瞳孔的荧光占由透镜产生的所有荧光的0.007。

6.因为现实当中晶状体会将光线聚集到瞳孔。假设晶状体半径为4.5mm时，荧光的绝对形状系数f₁₂ =0.023。

实施例二

绝对形状系数通过计算光波通过镜片到下层镜片的百分比获得。

假设两基层距离为0且形状大小相同。这时，荧光的绝对形状系数为。因此我们定义此种情况的荧光绝对形状系数为0.5。

本申请还可以通过相对荧光系数计算。

相对荧光系数是基于对比外界光的绝对形状系数和光学装置产生的荧光绝对形状系数。在使用的透镜应用中，相对形状系数，其中R₁₂是荧光通过光学装置到人眼的相对形状系数。这主要是因为荧光是无方向性的放射而外界光通过光学装置射向人眼是单向性的。当使用其他装置，如反光镜等，这个相对形状系数是可以改变的。相对形状系数与绝对形状系数是用来更加精确的预测由荧光而产生的光学仪器透射光谱的变化而对人色彩感知的影响。

二、光学透射装置基层与着色剂的设计

1. 本发明包含了一个着色剂的电子数据库，用于从中筛选着色剂。着色剂的可用参数都存在其中。包括吸收和荧光光谱、量子产率、激振、成本、耐光度、耐热度、化学稳定性（例如聚合稳定性）、供应商、毒性。设计师能够对任何着色剂的数据或整个着色剂进行更改、增加、删除、保密、必用、必不用等的改造和约束。

例如，孔雀石绿在水中，乙醇和其他相关溶液中的摩尔消光系数及荧光光谱是公知。这个着色剂的量子产率几乎为0。这个着色剂的价格很低但其光稳定性较差。它的半数致死量LD₅₀ 为80mg/Kg。它可以同其他两种化学物A与B产生不良的反应。基于其较差的稳定性及相关因素，是一种不易使用的着色剂。所以在着色剂数据库里，孔雀石绿的数据如下：

{着色剂=孔雀石绿，摩尔消光=[380:780,{ME}],荧光光谱=[380:780,{FS}],量子产率=0.001，耐光度=1.0，半数致死量=80，冲突化学品={A,B},使用=N}。

2、基质综合入射光为上一基层基质的综合透射光（或当光学透射装置为单一基层组成时的光源）与本基层基质中所有着色剂产生荧光的矢量线性叠加得出，具体算法如下：

其中，为第n层基质的综合入射光；

为第n-1层基质的综合透射光；

为第n层基质着色剂因为吸收第n层综合入射光所产生的荧光，其形状系数为；

是第n-1层基质因为吸收了第n层基质的荧光而产生的荧光，其形状系数为，其中i为着色剂的索引指数； 是第n层基质中着色剂的总数；因为很小或足以被忽略，因此是第n-1层基质因为吸收了第n层基质的荧光可以忽略不计，

所以：

3、在每一基质层的综合透射光是根据本层基质中多个着色剂对本层综合入射光的改变。 这个改变是通过各个着色剂对光的吸收的对数叠加方法来进行计算的，对数叠加公式如下：

其中，为第n层基质的综合透射光，

为第n层基质的所有着色剂的透射光谱。

这个是基于在第n层基质中各着色剂均匀的溶于基质材料。其他非均匀的溶化可以用更复杂的方式运用于本申请的设计方法里。

4、每个着色剂在基质中的对光的吸收，通过本层基质的综合入射光与这个着色剂的摩尔消光（molar extinction)、其在基质中的密度以及基质厚度，根据朗伯 - 比尔定律(beer-lambert absorption law)来进行光学模拟。

其中，

τ_n为第n层基质的厚度，

是n层基质中着色剂i的浓度，

是着色剂i的摩尔消光系数。

5、每个着色剂在基质中所产生的荧光，是由于吸收本层基质的综合入射光所产生的荧光受本层内其他着色剂相互吸收后剩下的荧光，通过着色剂的释放光谱特征，本层基质的综合入射光强度，量子产率，以及光学光学透射装置和人眼的物理，几何特征所产生的减免影响进行的光学模拟。

所以，n基层内在波长λ下的荧光可以表示为：

其中，

Ψ_i,n为可见光范围内（380到780纳米）的着色剂i产生的荧光综合值；

是着色剂i在波长λ下，标准化后的荧光光谱；

为基层n中着色剂i在波长下的独立荧光；

为从基层n放射与基层n+1的所有着色剂在波长下的剩下荧光；

为波长下，着色剂i产生的荧光与此荧光被基质层n中其他着色剂的吸收消耗后的剩余荧光的比率参数；

为基质层n中的剩余荧光比率的第一阶中心矩（first moment arm）；

是第n层基质中着色剂的总数；

为第n层基质的所有着色剂的透射光谱；

为第n层到第n+1层基质的形状系数。

6、多层基质的综合透射光谱是依据入射光的入射路径所经过的基质层依次计算（如，n层的透射光即为n+1层的入射光）。整个光学透射装置的综合透射光谱为通过最后一层的综合透射光谱。

三、光学透射装置基层与着色剂的优化

1、定义设计光谱的优化成本函数（cost function）。例如设计光谱与目标光谱的差别，包括差别函数（difference function）。在一个实施例中，差别函数最小化等于优化成本函数，设计的成果便是离目标光谱最近的光学装置光谱.如下是一个基于差别函数的优化成本函数：

其中

N是光学装置中基质层数；

TS是透射光谱的缩写；

TS_Target 和 TS_Design分别为目标与设计的透射光谱；

U是独特着色剂的总数量；

SR是两个相邻光谱区域的变化矢量；

J是SR光谱区域的数量；

j是SR区域的索引指数；

γ₁ 和 γ₂为代价参数；

α 和 β为常数；

A 为着色剂使用数量限制；

B 为常数；

η 为SR光谱区域内1纳米单位光波的数量（例，SR是401nm到405nm，其η 为5）；

SP 是目标与设计的索引指数。

定义设计光谱的优化成本函数也可包含任何其他的成分，例如减少用于设计光谱的着色剂成本，加上设计光谱与目标光谱的区分。

γ₁为代价参数，随着着色剂使用数量超过设计限定而增长。并且，着色剂的真实成本，如着色剂X为 5美元每克，也可以按如下方式整合到代价参数中：

其中，P_i 是单位重量下着色剂i的价格；

m_i 是着色剂i的分子量；

c_i,n 是着色剂i在基质n中的浓度；

V_n是基质n的体积。

2、选择单个或综合性质的光学装置设计目标进行多目标优化，其中可采用标量化（scalarization）或应用模组搜寻简化(epsilon)-约束进行多目标优化。

多目标优化功能让设计师达到帕累托最优（Pareto Optimal）的光学装置设计。例如设计光谱最小化与目标光谱的差别，减少成本，选配了良好的着色剂（耐光度，耐热度，化学稳定性）。

因为所有目标函数都可以在一个体系下表达，这时就可以将多种目标链接起来。如着色剂的综合成本，光稳定性和低毒性用标量权重{w}来表示。

TotalCost Function =

例如：

Total Cost Function =

其中，Total Cost Function 是综合目标（综合成本）；

TS_Target 是目标透射光谱；

Dye Cost 是着色剂的真实成本；

Photostability 是光稳定性。

通过串联由多种权重{w}所得到的多种综合优化目标的值来建设一个光学装置设计的帕累托前沿。此帕累托前沿和相关的解给与设计师所需要的光学装置设计方案，例如着色剂配方，基质层次，每基质层厚度，光学装置厚度，光稳定性，耐热性，等。

3、实际的人工智能优化法包括：线性优化的单纯性法（simplex）、凸性优化的内点法（interior point）和次梯度法(subgradient method)、非凸优化的模拟退火（simulated annealing）、遗传算法（genetic algorithm）、动态维数搜索(dynamically dimensioned search)等。还可以采用人工智能启动的混合优化法。这种优化方式让设计师选用适合各参数性质的优化法。例如混合整数规划（mixed integer programming）限定着色剂选配的数量，或数量范围，例如小于8种，为整数，同时优化每个着色剂的浓度为整数。

非凸优化运用了启发式算法。 本申请中大量的优化目标与约束条件是非凸性的。比如最小化目标与设计透射光谱的差别，和最优运用着色剂各参数来建设透射光谱。

当非凸优化确定以后，一种启发式算法便会被自动选择和启动。对于不同的目标，有一些列的启发式算法可以选择。在本发明里面，当要优化大量的变数时，设计方法会自动使用本方法自创的巨维退火的启发式算法。下面是一些对这个方法的简单的介绍。

1）、本发明所要优化的问题复杂性来源于以下四种需优化的遍数组：（1）基质层层数，（2）每个基质层厚度，（3）每个基质层中所使用的着色剂，（4）每种着色剂在基质层中的浓度。

2）、可行解的范围在程序初期很大然后按所需的速率随着程序的运行而减小，例如与循环求解的次数直接相关。

3）、对于每个所需优化的变量，搜索邻域是使用了概率函数，如正态分布，来对其进行随机改变，用以建设新的候选解。如基质层16的厚度，当前解是0.83 mm,到候选解是当前解加上有概率性的厚度差别：厚度差别为小于正负0.1 mm 的概率是68%,小于正负0.23 mm 的概率是95%,小于正负0.41 mm 的概率是99%。

4）、检查候选解是否满足设计约束，例如检查候选基质层n厚度是否满足该基质层的最大和最小厚度。如果候选解超过了这个最大或最小限制边界，就会重新选择候选解值以满足有关设计约束。

5）、候选解，包括没变的变数和改变了的变数，会被评估来判定其对优化目标的改变并判定是否满足所有限制条件。

6）、计算候选解的目标值加上任何超过限制条件的代价（penalty function, 罚函数）为总成本值。比较候选解和当前解的总成本值差距。

7）、如果候选解的成本小于当前解，那么候选解就会被接受为新的当前解并用于下一轮候选解与总成本计算。

8）、如果候选解的成本大于当前解，那么候选解有一个概率被接受为暂时当前解并用于下一轮计算。这个概率函数将会被设计师设定。通常这个概率在初期的循环计算中会比较大。随着循环次数增加接受暂时当前解的概率就会降低，往往为0。这样做的目的是使得局部最优解有概率在下一个循环求解中快速跳跃出局部最优解以寻找全局最优解。

9）、循环求解的次数是一个预先设定的值。算法会在达到此循环求解次数时或成本变化小于一个阈值的时候终止。

10）、在计算资源足够强大的时候，这个算法可以保证收敛到全局最优解。在实践中，它可以迅速收敛到很好的解。

11）、可以将较好的解储存下来并作为以后优化子函数的初始值，这样就可以大大降低对计算资源的要求，如时间。

对于人工智能的最佳优化方式的判定，即为判定优化与约束目标的性质，是否线性、凸性或多目标性。例如当设计师选完并确认优化与控制的目标后，模式自动（包括设计师手动）对优化目标和约束进行性质检定。其中性质检定包括计算与判断海森矩阵（Hessian Matrix）和关联的特征标量（eigenvalue）的值。性质检定也包括运用一个快速的梯度下降法或梯度上升法来鉴定局部最优解的存在。

判定优化方法类别。优化分为凸优化和非凸优化两大种类。比如线性优化是一种凸优化方法；而非凸优化包括优化目标（成本函数）和（或）约束函数以及其中所涉及的局部极值和全局极值。凸优化已有高效优化方法而非凸优化一般没有方法确保全局极值。

凸性优化是指一个函数为凸性或者凹性。 如果该函数的海森矩阵的特征值为0或正数，其便为半正矩阵；如果特征值为0或负数，其便为半负矩阵；半正矩阵（凸性）与半负矩阵（凹性）都属于凸性优化； 但是如果任何函数包括了凸性部分与凹性部分，这个函数便为非凸优化，它的海森矩阵会有负数和正数的特征值。

本发明优化部分的一个特点就是利用人工智能的方法来对优化类别进行判定。其中一个方法就是判别这个优化问题的海森矩阵是否是半正定矩阵。半正定海森矩阵就意味着其优化问题属于凸性优化类别。当确定了凸优化性质，其所从属的优化类型也可以被确定。比如海森矩阵在整个可行性区域是恒定的，那么其从属优化类别便为二次型。

以下是海森矩阵的一种表达，

其中，f 是优化目标或约束函数；

c是着色剂浓度；

为着色剂和其所在基质层中的浓度。

例如:

其中， 是着色剂k₁在基质层k₂中的浓度。

一种对半正定的判别方法是确定海森矩阵的特征值是否为0或者正数。其在本申请中的算法具体来说就是利用差分方程近似衍生物和定期评估λ的二阶偏导数，

,

其中，Λ为特征值，d为海森矩阵特征值的数量。

对于一个最小化问题，如果海森矩阵是一个半正定矩阵，意味着其所有特征值，也就意味着对于所有浓度变量的优化为凸性。

输入一个单数光谱目标作为约束指标，例如光谱目标的范围在460-500纳米透射率在2%到5%之间；和在300-800纳米透射率在80%之下。

采用人工智能的方式来选取最佳的优化法。优化目标和约束指标包括基层的数量、厚度和折射率，每基层中的着色剂的种类、数量、浓度和制造成本，以及整个光学装置的厚度，折射率，着色剂的总体数量和制造成本

例如，优化成本函数：

其中，TS_Target 是目标透射光谱；

Dye Cost 是着色剂的真实成本；

Photostability 是光稳定性。

限制函数

以上例子是一个优化透射光谱，着色剂成本以及着色剂光学稳定性的多目标性优化，其中对于基质层层数N，每基质层厚度，所有基质层总厚度，和每个着色剂在基质层中的浓度通过限制函数限定最大最小边界。

当设计师输入以上多目标性优化和限制函数的类别和参数时，软件自动计算出这个多目标性优化函数的海森矩阵的特征值括0，正的以及负的数值。软件也自动计算限制函数海森矩阵的特征值，因为其线性函数的本质，这个特征值为0。因此基于这些特征值软件判定这个总体优化是非凸性的，据此并由于多个优化参数，软件启动了巨维退火的优化方法。经过一百万次计算，算法得出的最优解为，基质层层数N=56层，使用17种不同的着色剂，207种不同的着色剂浓度，28个不同的基质层以及总透镜厚度为2.51纳米。

4、对设计成果绘图与数据显示。例如包括光学装置的综合透射光谱，光学装置的每单层和多层透射光谱，着色剂的吸收和荧光光谱，光学装置的折射率。

5、储存设计成果。后期绘图，数据显示等功能，便利与设计师随时查看和运用。

图4-图6 为三个使用本发明的设计方法以达到光学光学透射装置实现目标光谱的例子。

其中实线为目标透射光谱，不同的虚线为不同的配方所达到的实际透射光谱。所用的着色剂数据库包含了820多种不同的着色剂。每种配方方案使用了多种着色剂,其中使用的着色剂包括但不局限于花青染料（cyanine）、三芳甲烷染料(triarylmethane)、香豆素（coumarin）、萤光酮（例如罗丹明）、氧杂蒽（xanthene）、恶嗪（oxazine）、芘（pyrene）或和以上着色剂的衍生物。基质层数量为1到300,每层厚度为0.03到90毫米；浓度为0.02到5000微摩尔每升(umol/L)。

本发明提供了一系列透射光谱以达到提高人类色觉感知各项指标,各种光谱成果的综合特征：420-510纳米或之内的光波长区域为相对低透射区域， 525-625纳米或之内的光波长区域为相对低透射区域，或者同时在420-510纳米与525-625纳米的光波长区域为相对低透射区域。在380-780纳米范围内，其他光波长区域应该有平均中到高度的透射光谱。图4-6是范例。