Para el proceso de optimización, hay disponibles dos métodos para encontrar los valores óptimos de los parámetros según un criterio basándose en el peso o la deformación.
El método más eficiente con el menor tiempo de cálculo es la optimización por enjambre de partículas (PSO). ¿Ha oído o leído sobre esto antes? Esta tecnología de inteligencia artificial (IA) tiene una fuerte analogía con el comportamiento de enjambres de animales que están en busca de un lugar de descanso. En estos enjambres, encontrará numerosos individuos (cf. solución de optimización - por ejemplo, peso) que prefieren permanecer en grupo y seguir su movimiento. Supongamos que cada miembro del enjambre tiene la necesidad de descansar en un lugar de descanso óptimo (cf. mejor solución - por ejemplo, el peso más bajo). Esta necesidad aumenta a medida que se acercan al lugar de descanso. Por lo tanto, el comportamiento del enjambre también se ve influenciado por las características del espacio (cf. diagrama de resultados).
¿Por qué esta excursión a la biología? es simple: el proceso PSO en RFEM o RSTAB procede de manera similar. La ejecución del cálculo comienza con un resultado de optimización a partir de una asignación aleatoria de los parámetros a optimizar. En este proceso, se determinan nuevos resultados de optimización con valores de parámetros variados, basados en la experiencia de las mutaciones de modelos ya realizadas. Este proceso continúa hasta que se alcanza el número predeterminado de posibles mutaciones del modelo.
Alternativamente a este método, el programa le ofrece un método de procesamiento por lotes. Este método intenta revisar todas las posibles mutaciones del modelo mediante una asignación aleatoria de valores para los parámetros de optimización hasta alcanzar un número predeterminado de posibles mutaciones del modelo.
Ambas variantes también verifican los resultados de dimensionamiento activados de los complementos después del cálculo de una mutación del modelo. Además, almacenan la variante con un aprovechamiento de < 1 junto con el resultado de optimización y la asignación de valores de los parámetros de optimización.
