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。
