板料冲压成形工艺广泛应用于各种工业生产领域,是薄壁金属零件的主要成形方法。由于冲压成形工艺的复杂性,导致在某些复杂零件和新材料零件的成形过程中出现了起皱、拉裂等成形缺陷。在缩短模具和产品设计周期、降低设计成本和提高产品成形质量等多种要求下,以计算机数值模拟技术为基础,通过试验设计方法、近似模型和优化算法的结合来对板料冲压工艺参数优化的应用研究越来越多。基于近似模型和优化算法虽然可以有效解决板料成形工艺参数优化问题,但近似模型的预测精度直接影响了优化结果的准确性。为了提高近似模型的预测精度,本文提出了两种改进型RBF神经网络:第一种利用SA算法对K均值聚类RBF神经网络的隐含层节点个数和重叠系数进行优化,构建了 SA-RBF神经网络模型;第二种针对现有K均值聚类训练方法中节点非全局最优和节点收敛较慢的弊端,采用共享小生境技术训练并构建RBF神经网络。将其应用于非线性函数中的拟合和预测,证明两种改进型RBF神经网络的非线性逼近性能和预测精度相比K均值聚类RBF神经网络有了显著提高。板料冲压成形参数优化问题通常为多目标解的问题,为了提高多目标智能进化算法的寻优性能,对多目标智能进化算法NSGA-Ⅱ算法进行研究,利用免疫算子选择每一级非支配个体中的精英个体来对NSGA-Ⅱ算法的寻优性能进行改进。通过优化前后NSGA-Ⅱ算法在多目标函数中的应用验证了改进后NSGA-Ⅱ算法的多目标寻优性能更佳。将SA-RBF神经网络应用于板料成形拉延筋优化研究中,以NUMISHEET 02翼子板为研究对象,其中6条等效拉延筋阻力作为输入变量,基于Spearman相关分析和拉丁超立方抽样方法抽取训练样本并进行数值仿真,以起皱缺陷和拉裂缺陷建立的成形质量评价函数为目标函数,通过SA-RBF神经网络建立非线性映射关系,利用改进后的NSGA-Ⅱ算法和灰色关联分析理论确定最佳拉延筋阻力并进行仿真分析,与优化前进行对比,表明该方法能够获得较好的拉延筋阻力来提高成形质量。将共享小生境RBF神经网络应用于板料成形变压边力加载路径的研究中,以双C件为研究对象,其中5段冲程设置的5个不同恒定压边力作为输入变量,基于Spearman相关分析和拉丁超立方抽样方法抽取训练样本并进行数值仿真,以最大增厚率和最大减薄率作为优化目标,通过共享小生境RBF神经网络建立非线性映射关系,利用改进的NSGA-Ⅱ算法和灰色关联分析理论确定最佳变压边力加载曲线。将变压边力优化前后双C件的成形仿真分析结果进行对比,结果表明该方法获得的变压边力可以有效地减少成形缺陷和提高成形质量。