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。
