Pro optimalizační proces máte k dispozici dvě metody, pomocí kterých můžete nalézt optimální hodnoty parametrů podle kritéria hmotnosti nebo deformace.
Nejúčinnější metodou s nejkratší dobou výpočtu je optimalizace partikulárního roje (PSO). Už jste o tom slyšeli nebo četli? Tato technologie umělé inteligence (AI) má silnou analogii s chováním zvířecích rojů při hledání místa k odpočinku. V těchto rojích naleznete mnoho jedinců (např. optimalizační řešení – např. hmotnost), kteří rádi zůstávají ve skupině a následují pohyb skupiny. Předpokládejme, že každý jednotlivý člen roje má potřebu odpočívat na optimálním místě k oddechu (např. nejlepší řešení – např. nejnižší hmotnost). Tato potřeba roste s přibližováním k místu odpočinku. Chování roje je tedy ovlivněno i vlastnostmi prostoru (např. výstupní diagram).
Proč výlet do biologie? Jednoduše – proces PSO v RFEM nebo RSTAB probíhá podobně. Výpočetní běh začíná s optimalizačním výsledkem z náhodného rozdělení optimalizovaných parametrů. Přitom stále znovu zjišťuje nové optimalizační výsledky s variovanými hodnotami parametrů, které se zakládají na zkušenostech z již dříve provedených mutací modelu. Tento proces probíhá tak dlouho, dokud není dosažen stanovený počet možných mutací modelu.
Alternativně k této metodě je v programu dostupná také metoda dávkového zpracování. Tato metoda se snaží prověřit všechny možné mutace modelu prostřednictvím náhodného zadání hodnot pro optimalizační parametry až do dosažení stanoveného počtu možných mutací modelu.
Obě varianty po výpočtu modelové mutace také kontrolují aktivační výsledky dimenzování přídavné funkce. Dále ukládají variantu při zatížení < 1 s příslušným optimalizačním výsledkem a hodnotovým rozdělením optimalizačních parametrů.
