Dla procesu optymalizacji masz do dyspozycji dwie metody, które pozwalają znaleźć optymalne wartości parametrów według kryterium wagi lub odkształcenia.
Najbardziej efektywną metodą z najkrótszym czasem obliczeń jest inspirowana naturą optymalizacja rojem cząsteczek (PSO). Czy już o tym słyszałeś lub czytałeś? Ta technologia sztucznej inteligencji (AI) wykazuje silną analogię do zachowania się stad zwierząt poszukujących miejsca odpoczynku. W takich stadach znajdziesz wiele jednostek (por. rozwiązanie optymalizacji – np. waga), które chętnie pozostają w grupie i podążają za ruchem grupy. Załóżmy, że każdy członek stada ma potrzebę odpoczynku na optymalnym miejscu odpoczynku (por. najlepsze rozwiązanie – np. najniższa waga). Ta potrzeba wzrasta wraz z zbliżaniem się do miejsca odpoczynku. W ten sposób zachowanie stada jest również wpływane przez właściwości przestrzeni (por. wykres wyników).
Dlaczego wycieczka do biologii? Bardzo prosto – proces PSO w RFEM lub RSTAB działa podobnie. Bieg obliczeń zaczyna się od wyniku optymalizacji pochodzącego z losowego przydziału parametrów do optymalizacji. Przy tym ciągle wyznacza nowe wyniki optymalizacji z różnicowanymi wartościami parametrów, bazujące na doświadczeniu uzyskanym z wcześniejszych mutacji modelu. Ten proces trwa, aż osiągnie się zadaną liczbę możliwych mutacji modelu.
Alternatywnie do tej metody masz w programie do dyspozycji jeszcze metodę przetwarzania wsadowego. Ta metoda próbuje sprawdzić wszystkie możliwe mutacje modelu poprzez losowe przypisanie wartości dla parametrów optymalizacji do momentu osiągnięcia określonej liczby możliwych mutacji modelu.
Obie wersje po obliczeniu mutacji modelu kontrolują również aktywowane wyniki wymiarowania dodatków. Ponadto zapisują one wersję przy obciążeniu < 1 z odpowiednim wynikiem optymalizacji i przypisaniem wartości parametrów optymalizacji.
