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！
利用人工智能 (AI) 进行模型优化
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
您有两种方法可以用于优化过程，通过这些方法可以根据重量或变形标准找到最佳参数值。
最有效的方法是具有最短计算时间的自然粒子群优化（PSO）。您是否曾经听说过或阅读过此方法？这种人工智能技术（AI）与动物群体寻找落脚点时的行为有很强的相似性。在这种群体中，您会发现大量个体（类比优化解，如重量），这些个体倾向于留在群体中并随群体移动。假设每个群体成员都有在最佳落脚点（类比最佳解，如最低重量）休息的需求。随着接近落脚点，这种需求增加。因此，群体行为也受到空间特性的影响（类比结果图表）。
为什么要探讨生物学？很简单——RFEM或RSTAB中的PSO过程类似。计算运行从随机分配待优化参数的一个优化结果开始。在此过程中，总是会基于之前进行的模型变异经验，不断计算出新优化结果，新的参数值变化。这个过程会持续进行，直到达到预定数量的可能模型变异。
作为这种方法的替代方案，程序中还有一种批处理方法可用。这种方法尝试通过随机分配优化参数值来检查所有可能的模型变异，直到达成预定数量的可能模型变异。
两种方法都在计算模型变异后检查每个激活的附加模块设计结果。此外，当利用率<1时，它们还会保存该变化，连同相关的优化结果和优化参数的值分配。
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
