您对Dlubal产品有任何疑问或需要帮助选择适合您项目的产品吗？
我在这里帮您。您可以通过下面提供的联系方式轻松地与我联系。
期待您的回复！
借助 AI 优化计算模型
模型优化 | 功能
- 人工智能技术（AI）：粒子群优化（PSO）
- 结构优化以实现最小重量或变形
- 使用任意数量的优化参数
- 设置变量范围
- 截面和材料的优化
- 参数定义类型
- 优化 | 升序或优化 | 降序
- 应用参数化模型和模块
- 基于代码的JavaScript模块参数化
- 考虑设计结果进行优化
- 以表格形式展示最佳模型变异
- 优化过程中模型变异的实时显示
模型优化 | 输入
您知道吗？结构优化在 RFEM 或 RSTAB 程序中包含参数化输入。这是一个与实际模型计算及其所有常规计算和设计定义并行的过程。在此过程中，附加模块假定您的模型或模块是以参数化关系构建的，并由类型为“优化”的全局控制参数整体控制。因此，为了限定优化范围，控制参数提供了一个下限和上限以及步长。如果您想找到控制参数的最佳值，则必须指定一个优化标准（例如，最小重量）并选择一种优化方法（例如，粒子群优化）。
模型优化 | 计算
您可以为优化过程使用两种方法，通过这些方法可以根据权重或变形标准找到最佳参数值。
最有效的方法是自然粒子群优化（PSO），它具有最低的计算时间。您是否听说过或读过这种方法？这种人工智能技术（AI）与动物群体在寻找休息地点时的行为有很强的相似性。在这样的群体中，有许多个体（例如，优化解决方案——例如，重量），它们喜欢待在一个组里并跟随组的移动。假设每个群体成员都有在最佳休息地点（例如，最佳解决方案——例如，最低重量）休息的需求。随着靠近休息地点，这种需求会增加。因此，群体行为也受到空间特性的影响（例如，结果图表）。
为什么要探索生物学？很简单——在RFEM或RSTAB中，PSO过程以类似的方式进行。计算过程从对要优化的参数进行随机赋值的优化结果开始。它通过基于以前模型变异的经验不断计算新的优化结果。该过程一直进行，直到达到可能模型变异的预定数量。
作为这种方法的替代，程序中还提供了一种批处理方法。该方法试图通过随机指定优化参数的值来检查所有可能的模型变异，直到达到可能的模型变异的预定数量为止。
计算完模型变异后，两种方法都会检查每种激活的附加插件的设计结果。此外，当利用率 < 1 时，它们还会保存变体及其相关的优化结果和优化参数赋值。
模型优化 | 结果
两种优化方法有一个共同点。它们在过程结束时会从存储的数据中向您展示一个模型变异列表。您可以在其中找到控制优化结果的说明以及优化参数的相关值设置。此列表按降序排列。您会在顶部找到假定的最佳解决方案。在这种情况下，优化结果的确定值设置最接近优化标准。所有附加组件的结果都显示出小于1的利用率。此外，程序在分析结束时会自动在全局参数列表中为优化参数设置最佳解决方案的值。
.png?mw=200&hash=ceabdac71454991b172d1a40faa3844b9a756ff1)
计算价格
