Az optimalizáció a mindennapjaink része, gyakran anélkül is törekszünk rá, hogy észrevennénk azt. Igyekszünk a lehető leggyorsabb útvonalon munkába jutni, vagy a boltokban a termékeket a lehető legolcsóbban megvásárolni. Számos valós probléma azonban rendkívül összetett, így a hagyományos módszerekkel nehéz a globális optimum megtalálása. A szakdolgozatom célja egy olyan robosztus optimalizálási módszer létrehozása, amely könnyen integrálható a már meglévő tervezési folyamatba. Ezt a módszert egy gyakorlati példán keresztül mutatom be. Az eljárás felépítését két mérnöki területen népszerű szoftver segítségével valósítottam meg. A végeselem szimuláció felépítéséhez Ansys-t használtam, míg az optimalizációs algoritmust MATLAB környezetben írtam meg. Ezen módszer előnye az, hogy a kereső eljárás jól implementálható komplex probléma esetén is. A szakirodalmi áttekintésem során az optimalizációs fogalmakkal és az optimalizációs algoritmusokkal foglalkoztam. A legfontosabb előrelépés ezen a területen az elektronikus számítógépek megjelenése volt. A megoldható problémák komplexitása a számítógépek számítási teljesítményével együtt nőtt. Az ennek eredményeként kifejlesztett metaheurisztikus módszerek jellemzően magas szintű, iteratív kereső eljárások, melyek segítségével viszonylag gyorsan és hatékonyan lehet optimum-közeli eredményt találni. Gyakran alkalmazzák a globális- és lokális optimumkeresés valamilyen kombinációját annak érdekében, hogy effektíven lehessen felfedezni a keresési teret, mindeközben elkerülve a lokális minimumba való ragadást. Ezek a módszerek kifejezetten effektívnek bizonyultak, így előszeretettel használják komplex problémák megoldására. A gyakorlati optimalizációs probléma célja egy gumirugó tervezési változóinak megválasztása oly módon, hogy a rugókarakterisztikája minél inkább megközelítse az előzetesen optimálisnak megválasztott karakterisztikát. A különböző rugókarakterisztikákat végeselem szimuláció segítségével nyertem ki. A probléma megoldásához részecske-raj optimalizációt használtam, ami egy rendkívül robosztus és effektív metaheurisztikus eljárás, számos problémára alkalmazható minimális módosítással. Az algoritmust teszteltem, a hiperparamétereit pedig optimalizáltam azért, hogy minél nagyobb eséllyel találjon kielégítően jó konstrukciót. A végeselem optimalizáció felépítése után létrehoztam a kapcsolatot a MATLAB és az Ansys Workbench között, majd futtattam az optimalizációt. Annak ellenére, hogy az algoritmus nem tudta megtalálni az előzetesen optimálisnak kijelölt konstrukciót, az optimalizáció mégis sikeresnek tekinthető, mivel viszonylag kis számítási teljesítmény mellett is képes volt egy rendkívül hasonló karakterisztikával rendelkező konstrukciót találni. Az optimális- és az optimalizáció során talált legjobb karakterisztika vizsgálati pontjaiban számított relatív hiba −0,5 % és +0,5 % között mozog, így a működési követelményeket teljesíti.