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。
