这两种优化方法有一个共同点: 在优化过程结束时，它们会根据存储的数据为您提供模型突变列表。 其中包含控制优化结果的详细信息以及相关的优化参数的赋值。 该列表按降序排列。 顶部显示的是假定的最佳解决方案， 该方案的优化结果及其确定的赋值最接近优化准则。 所有模块计算结果都显示利用率小于 1。 此外，在分析完成后，程序会自动为全局参数列表中的优化参数设定最优解的赋值。
在“材料”对话框中，您可以找到“造价估算”和“CO2 排放量估算”选项卡。 在选项卡中显示了估算的单位重量、单位体积和单位面积所指定的杆件、面和实体的总和。 此外，还显示了所有分配的材料的总成本和排放量。 这样可以让您更好地了解项目。
产品功能
产品功能
产品功能
可以肯定的是，在任何项目的结构规划中，成本都是一个重要的考虑因素。 遵守有关排放估算的规定。 模块“优化和成本/CO2排放估算”可以帮助您在大量的规范和选项中找到合适的使用方法。 它使用粒子群优化算法 (PSO) 的人工智能技术 (AI) 为参数化模型和块寻找正确的参数，确保符合通常的优化准则。 另一方面，该模块通过为结构模型的每种材料指定单位成本和排放量来估计模型的成本或二氧化碳的排放量。 有了这个模块，
更多关于优化和成本/CO2排放估算
您知道吗？ 在 RFEM 和 RSTAB 中的结构优化是参数化输入的补充。 这是一个并行的过程，与实际的模型计算以及所有的常规计算和设计定义并行。 该模块假设您的模型或块是在参数化环境下建立的，并且整体受“优化”类型的全局控制参数控制。 因此这些控制参数有一个下限、一个上限，以及一个优化范围的步长。 如果要为控制参数找到最优值，则必须在选择优化方法（例如粒子群优化）时指定优化准则（例如最小重量）。
在材料定义中已经可以找到成本和CO2排放量的估算信息。 您可以在每个材料定义中单独激活这两个选项。 该估算基于杆件、面和实体的单位成本或单位排放。 表格中的单位是重量、体积还是面积。
有两种方法可以用于优化过程，一种是根据重量或变形准则找到最优参数值。
计算时间最短的最有效方法是近自然粒子群优化方法（PSO）。 您听说过或读到过吗？ 这种人工智能 (AI) 技术的应用很好地模拟了成群的动物在寻找落脚点。 在这样的群中，您会发现许多喜欢待在一个团中并跟着大团移动的个人（参见优化解决方案 - 例如重量）。 假设每个群成员都需要在最佳位置停留（参见最佳解决方案-例如最低重量）。 随着越接近停止位置，位移的需求越大。 因此，空间的属性也会影响空间群的行为（参见结果图）。
为什么来这里探索生物？ 非常简单 - RFEM 或 RSTAB 中的 PSO 过程以类似的方式进行。 程序开始时会随机分配需要优化的参数，得到一个优化结果。 它会根据以前进行的模型突变的经验，通过改变参数值反复确定新的优化结果。 该过程一直持续到达到指定的数量的可能的模型突变。
作为这种方法的替代方法，程序还为您提供了一种批处理方法。 该方法会尝试通过随机指定优化参数值来检查所有可能的模型突变，直到达到预先设定的数量。
在计算模型突变后，两种变体还会检查相应模块激活的设计结果。 此外，如果利用率<1，他们还会保存变量以及相应的优化结果和优化参数的赋值。
您可以由各种材料的总成本和排放量确定估算的总成本和排放量。 材料总数由杆件、面和实体单元的重量、体积和面积的部分材料组合得出。
