Globální parametry typu 'Optimalizace' jsou tak zadány. Nyní otevřete Nastavení pro optimalizaci z hlavní nabídky 'Výpočet'.
Optimalizaci aktivujeme zaškrtnutím příslušného políčka Aktivní. Jak je znázorněno na obrázku Nastavení optimalizace, jsou hodnoty, které se mají optimalizovat, prakticky globální parametry. Počet stavů závisí na počtu kroků, které byly přiřazeny v parametrech optimalizace. Například čtyři kroky znamenají, že proces optimalizace končí po pěti stavech. Vzhledem ke dvěma daným proměnným tak existuje 25 optimalizačních variant - takzvaných mutací. Jinými slovy: Program změní hodnoty obou proměnných v definovaném rozsahu. Z těchto kombinací vychází 25 modelů s odlišnou geometrií.
Optimalizačních mutací může být mnoho. Rozhodněte proto sami zadáním priorit jako základu pro optimalizaci, jaký bude „nejlepší“ počet variant modelu, které se mají vytvořit. Optimalizovat lze přitom například s ohledem na minimální celkovou hmotnost, vektorový posun, deformaci prutu nebo plochy, náklady nebo emise CO2.
Nyní lze spočítat všechny optimalizační mutace. Po spuštění výpočtu se postupně zobrazí výsledky jednotlivých variant.
Optimalizační metody
Program nicméně nabízí ještě efektivnější metody optimalizace.
V našem příkladu použijeme takzvanou optimalizaci rojem částic (PSO). Tato metoda, inspirovaná přírodou, je velmi účinná pro nalezení dobrých hodnot parametrů v krátké době výpočtu. Tato technika umělé inteligence (AI) vychází z analogie s chováním rojů nebo hejn zvířat při hledání místa odpočinku. V takových rojích je mnoho jedinců (srov. například řešení optimalizace s ohledem na hmotnost), kteří rádi zůstávají ve skupině a následují skupinu. Za předpokladu, že každý jednotlivý člen roje má potřebu odpočívat na optimálním místě (srov. nejlepší řešení - např. nejnižší hmotnost) a tato potřeba s přibližováním k místu odpočinku roste, je chování roje určováno také vlastnostmi prostoru (viz diagram výsledků).
Proces PSO v programu RFEM nebo RSTAB probíhá obdobně. Průběh výpočtu začíná optimalizačním výsledkem náhodného přiřazení optimalizovaných parametrů a opakovaně stanoví nové optimalizační výsledky s různými hodnotami parametrů, které vycházejí ze zkušeností s dřívějšími modelovými mutacemi. Tento proces končí, pokud byl dosažen stanovený počet možných modelových mutací. V našem příkladu je počet náhodných mutací nastaven na 30%. To znamená, že se zohlední 30 % všech možných mutací (25).