1、鍛造是金屬塑性加工中常用的加工方法，由于材料經(jīng)過鍛造加工之后具有各項優(yōu)良的機械性能，所以廣泛應用于各種機械產(chǎn)品的加工。鍛造模具是鍛造生產(chǎn)中的主要裝備，其設計和制造的質量以及使用壽命決定了鍛件的質量和成本。對鍛件質量的控制，主要是要對鍛造模具進行控制。
　　 影響鍛造工藝及鍛件質量的因素可歸納為模具結構形狀設計、模具材料、模具加工、鍛件復雜程度、設備性能等因素。由于在金屬塑性變形過程中材料的流動主要受模具形狀的影響及控制，因此，合

2、理選擇與設計模具結構的形狀參數(shù)就顯得尤為重要。
　　 隨著數(shù)值模擬仿真技術日益成熟，基于模擬的設計方法在塑性成形工程中得到了廣泛應用。這種設計方法是應用有限元技術對金屬塑性成形過程中的應力應變進行計算，在后處理結果中直觀地分析成形過程中金屬的流動規(guī)律以及設計變量對成形過程的影響，判斷是否會產(chǎn)生成形缺陷，預測成形載荷，然后對工藝參數(shù)和模具形狀的進行修改。
　　 為了提高鍛造模具的設計效率、降低制造成本和提高產(chǎn)品質量，有必要

3、對鍛造工藝及其模具結構中影響鍛件質量的各項工藝參數(shù)進行優(yōu)化。目前，基于有限元分析的優(yōu)化設計方法在鍛造成形工藝及其模具設計中的已成為一種趨勢。
　　 作為基于有限元分析的優(yōu)化方法之一，基于目標函數(shù)值的擬合優(yōu)化方法因其通用性好而最具推廣價值。基于目標函數(shù)值的擬合優(yōu)化方法，其特點是優(yōu)化與有限元程序分離，通用性強。可直接利用現(xiàn)有的商用有限元分析軟件，充分發(fā)揮其強大的有限元計算功能。基于目標函數(shù)值的擬合優(yōu)化方法，其實質是代理模型方法，即用

4、擬合的方法建立近似模型，通過近似模型逼近目標函數(shù)和設計變量之間的函數(shù)關系，然后求解這個近似模型的極值點來逼近真實的極值點。
　　 基于目標函數(shù)值的擬合優(yōu)化方法中，關鍵是要通過一定的擬合方法，建立起能夠正確反映設計變量與目標函數(shù)之間關系的近似模型。
　　 為了能夠正確地反映設計變量各個參數(shù)的重要性，必須采用合理的試驗設計方法獲得所需的樣本點。得到足夠的樣本點后，通過一定的機理模型，采用數(shù)值模擬程序進行求解，獲得所關心的目標

5、函數(shù)值。然后選擇合適的近似模型構建方法進行擬合。最后，對得到的近似模型進行優(yōu)化分析(低維的采用常規(guī)線性規(guī)劃或非線性規(guī)劃，高維的采用智能優(yōu)化算法)。
　　 由于金屬塑性成形問題的多因素高維非線性無法用常規(guī)優(yōu)化迭代方法尋優(yōu)，而智能優(yōu)化方法可以不用求導數(shù)，且全局探索能力強，非常適用于塑性成形問題的優(yōu)化。另外，充分考慮到Kriging模型適于對高維非線性問題進行插值擬合的特點。本文將Kriging模型與遺傳算法(Genetic Algo

6、rithms，GA)相耦合，提出Kriging-GA優(yōu)化策略，用于鍛造模具結構參數(shù)的優(yōu)化設計。Kriging-GA優(yōu)化策略由三部分組成：近似模型的構建；多目標問題的變換；遺傳算法尋優(yōu)。Knging模型的構建與遺傳算法尋優(yōu)通過在Matlab下編程進行耦合。
　　 與遺傳算法比較而言，粒子群算法容易實現(xiàn)，并且由于其不需要遺傳交叉、變異等操作，使之需要調整的參數(shù)較少。另外，粒子群算法具有收斂速度快的優(yōu)點。本文將Kriging模型與粒子

7、群優(yōu)化算法(Particle Swarm Optimization，PSO)相耦合，首次提出了Kriging-PSO優(yōu)化策略，在Matlab下編程實現(xiàn)。
　　 將Kriging-GA優(yōu)化策略用于汽車法蘭盤鍛模和汽車曲軸鍛模的優(yōu)化中，與多項式響應面方法進行了對比。研究結果表明，Kriging-GA優(yōu)化法較多項式響應面方法的預測精度高，但收斂慢。在此基礎上，將Kriging-PSO優(yōu)化策略應用于該汽車曲軸鍛模的優(yōu)化問題作為對比。結果