Die globalen Parameter des Typs 'Optimierung' sind soweit definiert. Öffnen Sie nun die Optimierungseinstellungen über das Menü 'Berechnen'.
Setzen Sie die Optimierung über das entsprechende Kontrollfeld Aktiv. Wie im Bild Optimierungseinstellungen gezeigt, sind die zu optimierenden Werte praktisch die globalen Parameter. Die Anzahl der Zustände ist abhängig von der Anzahl der Schritte, die in den Optimierungsparametern zugewiesen wurden. Beispielsweise bedeuten vier Schritte, dass der Optimierungsprozess nach fünf Zuständen endet. Mit den gegebenen zwei Variablen gibt es somit 25 Optimierungsvariationen – die sogenannten Mutationen. Mit anderen Worten: Das Programm ändert die Werte der beiden Variablen innerhalb des definierten Bereichs. Diese Kombinationen haben die Berechnung von 25 Modellen mit jeweils unterschiedlicher Geometrie zur Folge.
Es kann viele Optimierungsmutationen geben. Entscheiden Sie daher selbst, wie viele Modellvarianten Sie "am besten" erzeugen möchten, indem Sie die Prioritäten als Basis der Optimierung definieren. Beispielsweise können Sie die Optimierung auf minimales Gesamtgewicht, vektorielle Verschiebung, Stab- oder Flächenverformung, Kosten oder CO2-Emissionen festlegen.
Nun können alle Optimierungsmutationen berechnet werden. Nach dem Start der Berechnung werden die Ergebnisse der einzelnen Varianten sukzessive angezeigt.
Optimierungsmethoden
Das Programm bietet jedoch noch effizientere Optimierungsmethoden.
Die in diesem Beispiel zu verwendende Methode ist die sogenannte Partikelschwarmoptimierung (PSO). Sie ist an die Natur angelehnt und stellt eine sehr effiziente Methode zur Findung guter Parameterwerte unter Einsatz von wenig Berechnungszeit dar. Diese künstliche-Intelligenz-Technologie (KI) weist eine starke Analogie zum Verhalten von Tierschwärmen auf der Suche nach einem Rastplatz auf. In solchen Schwärmen gibt es viele Individuen (vgl. Optimierungslösung, z. B. Gewicht), die gerne in einer Gruppe bleiben und der Gruppenbewegung folgen. Mit der Annahme, dass jedes einzelne Schwarmmitglied ein Rastbedürfnis auf einem optimalen Rastplatz (vgl. beste Lösung, z. B. niedrigstes Gewicht) hat und dieses Bedürfnis mit Annäherung zum Rastplatz steigt, wird das Schwarmverhalten auch durch die Eigenschaften des Raums (vgl. Ergebnisdiagramm) beeinflusst.
Der PSO-Prozess in RFEM oder RSTAB geht hier ähnlich vor. Der Berechnungslauf startet mit einem Optimierungsergebnis aus einer zufälligen Belegung der zu optimierenden Parameter und ermittelt immer wieder neue Optimierungsergebnisse mit variierten Parameterwerten, die auf der Erfahrung der bereits vorher getätigten Modellmutationen basieren. Dieser Prozess endet, wenn die vorgegebene Anzahl von möglichen Modellmutationen erreicht ist. In diesem Beispiel ist die Anzahl der zufälligen Mutationen mit 30 % festgelegt. Das bedeutet, dass 30 % aller möglichen Mutationen (25) berücksichtigt werden.