到目前为止，已经定义了 'Optimization' 类型的全局参数。 现在通过'计算'菜单打开优化设置。
通过相应的复选框激活优化。 如图 image033236 优化设置 所示，要优化的值实际上是全局参数。 状态数目取决于在优化参数中分配的步数。 例如，四个步骤意味着优化过程在五个状态后结束。 给定这两个变量，就有 25 种优化变化，即所谓的突变。 换句话说： 程序会在定义的范围内更改这两个变量的值。 通过这些组合，可以计算出 25 个模型，每个模型都具有不同的几何形状。
可以有很多优化突变。 然后，您可以通过定义优化的优先级来自己决定想要“最佳”生成多少个模型变量。 例如，您可以将优化设置为最小总重量、矢量位移、杆件或面变形、成本或 CO2排放量。
现在可以计算所有优化突变。 计算开始后，依次显示单个变量的结果。
优化方法
但是，该程序提供了更有效的优化方法。
本例中使用的方法是粒子群优化 (PSO) 。 它基于自然界，是一种非常有效的方法，可以在很少的计算时间内找到好的参数值。 这种人工智能 (AI) 技术与成群的动物寻找休息地的行为非常相似。 在这样的群体中，有很多个人（参见优化解决方案，例如重量），他们喜欢留在一个群体中并跟随群体运动。 假设群体中的每个成员都需要在一个最佳静止位置休息（参见最佳解决方案，例如最小重量），并且这个需要随着接近静止位置而增加，所以群体的行为也由以下属性决定的面积（见结果图）的影响。
RFEM 或 RSTAB 中的 PSO 过程以类似的方式进行。 计算从随机分配要优化的参数的优化结果开始，并根据之前所做的模型突变的经验，用不同的参数值重复确定新的优化结果。 当达到指定的可能的模型突变数量时，该过程结束。 在本例中，随机突变的数目设为30% 。 这意味着所有可能的突变 (25) 中的 30% 都会被考虑。