精密锻造工艺优化
无论是正向模拟还是反向模拟，都可归结为利用数值模拟技术进行设计结果验证的试错法。其基本思路仍与传统的试错法一样，只不过所用的验证手段不同，对不合理设计的修改还需要由设计者根据经验提出，设计过程的自动化程度还很低。为了提高精密锻造工艺和模具设计的效率和可靠性，近年来国内外学者对精密锻造过程工艺与模具的优化设计进行了大量研究，并取得了较大进展。
精密锻造过程工艺与模具的优化设计，一般以工艺参数或模具的形状为设计变量，以工件的形状或物理性能为目标函数，以有限元法方法为目标函数的计算器。采用高效的优化算法，实现工艺参数与模具形状的自动优化。目前，常用到的优化方法包括：基于梯度的灵敏度分析优化算法，以及基于全局寻优的遗传算法。
灵敏度分析法
基于灵敏度分析的优化方法将精密锻造过程的预成形设计和模具设计问题处理为优化问题，用严密的数学公式进行描述，将优化问题的目标函数定义为一组给定设计变量中所希望的最终状态和数值计算状态之间的误差的某种程度。
灵敏度分析的方法需要计算目标函数对预成形参数的灵敏度信息(导数)，然后采用高效的优化算法进行优化设计。Zabar as等对灵敏度方法在锻造成形工艺优化中的应用进行研究，采用该方法进行了预成型形状、模具设计、零件的微观组织等多个问题进行了研究。
赵国群等以实际终锻件形状与理想终锻件形状不重合区域的面积作为目标函数，以预成形模具的B样条控制点作为优化设计变量，对预锻模具的形状进行了优化。将灵敏度分析法推广到了锻造过程的微观组织方面，以减小整个锻件上平均晶粒尺寸的平均值为目标，提出了一种基于灵敏度分析的用于优化锻造过程中微观组织的新算法。
灵敏度分析的优化方法效率高、收敛快，在锻造工艺和模具优化设计中得到了广泛的应用，并取得了很好的效果。由于灵敏度分析方法，需要用严密的数学公式对优化模型进行描述，并求解计算目标函数对预成形参数的灵敏度信息。对于三维复杂的锻造过程来说，计算过程异常复杂，给程序设计带来困难，同时也降低了计算的效率。因此，目前灵敏度分析的优化方法主要应用于平面和轴对称问题的分析。
微观遗传算法
遗传算法是一种全局优化算法，它借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法，它通过自然选择、遗传、变异等作用机制，实现了各个个体的适应性的提高，并逐步使种群进化到包含近似最优解的状态。
遗传算法仍属随机型算法范畴，与多数随机型方法不同的是，它仅搜索那些最有可能找到优化方案的局部区域，效率较高。由于精密锻造过程的优化的目标函数，通过有限元模拟进行求解，效率很低。因此，一般选择群体规模较少的微观遗传算法作为优化算法。
罗仁平等采用微观遗传算法对平面应变方坯镦粗和轴对称H型截面零件的锻造进行了预成形优化设计；管婧以锻件形状和锻件微观组织分布均匀性为优化目标，采用微观遗传算法对锻造成形过程进行多目标优化研究，取得了良好的效果。遗传算法稳定性、可收敛性强，对问题的复杂程度不敏感，理论上可以用于任何的精密锻造工艺与模具的优化设计。
由于其收敛速度慢，而优化的目标函数求解困难、效率低，造成了优化过程的计算时间过长，影响了其在工程实践中的应用。两种算法的比较来看，基于灵敏度的优化方法比遗传算法收敛快，但是程序设计复杂。
