国内外研究压边力优化的方法有许多种，有理论计算法、试验法、人工智能法和数值模拟法。理论计算法是通过试验研究的结果和对坯料的拉伸变形进行塑性成形的理论分析，建立合理的数学模拟，最终推导出压边力的数学公式，并将这些公式投入实际的拉深实验和生产中。杨玉英总结除了一些圆筒形件拉深防止起皱的最小压边力公式。Stoughton提出了拉延筋的抗力计算公式，并进一步导出了压边力的理论计算公式。T.Alant和M.A.Ahmetouglu等人提出了压边圈上的单位压边力公式。赵军根据能量原理，计算除了考虑摩擦因素的轴对称零件的临界起皱压边力。K.Marabe等人根据塑性理论推导出了各向异性的板材的极限拉裂压边力和极限起皱压边力的计算公式。但是在实际生产过程中，影响压边力的因素有很多很多，例如摩擦系数、凸模凹模圆角半径、凸模凹模间隙，拉深系数等等，然而如果要考虑很多因素的公式往往难以计算，所以在实际生产过程中难以应用，而考虑因素较少的公式往往误差较大，参考价值不高。而且用准确的数学公式来表达影响压边力的一些因素往往又很难。这就导致了在实际生产过程中压边力公式往往并不是很精确。但是我们可以通过压边力公式来看出它的影响因素之间变化关系，这也有助于我们进一步认识压边力在拉深成形所起到的作用。

试验法就是对多个不同参数的坯料进行拉深实验，通过大量的实验数据来绘制出最优的压边力加载曲线。Hardt等人进行了锥形件的拉深实验，分别对工件施加了不同的压边力，记录在拉伸过程中冲压力的变化情况，确定除了最大无缺陷拉深高度的冲压力曲线。Kergen和Jodogre用基于测量模具和压边圈间隙的起皱试验，得到了最优压边力曲线的最小压边力。Yossifom等人在对AL1100-0的材料进行拉深实验后得出了优化压边力曲线是与不是问的最小值边界相对应的结论。李良福利用组合式压边圈的试验模具，在拉深件凸缘的不同部分分别施加了大小不同的力，获得了可以控制压边力的经验曲线。此外，国内外也有很多学者也开展了变压边力的研究。例如德国的K.Siegertt教授和美国的Saceedy和Majlessi一起开展了变压边力的研究，他们将压边圈分为8个部分，即圆角区域4个和直边区域4个，通过8个液压缸来独立的控制压边力。MurataH和Matsui进过研究，发现了采用分段压边圈的结构时坯料的拉深深度比采用整体压边圈要大。但是随着成形工件的复杂程度的增加，利用试验法来获得所需的压边力曲线的速度与效率上已经越来越难以满足要求。另外实验所需的实验装置也存在着很大的困难，实验所耗费的人力财力和物力让人难以承受。

人工智能方法是利用计算机模拟人类的思考与推理的过程，将神经网络方法（ANN）和模糊控制理论（Fuzzy）用于判定压边力对成形性影响，将粗糙集理论（RooughSets）用于分析压边力通工艺参数和材料参数之间的相关性，将上述方法混合用于压边力的智能化控制。KManabe等人将人工神经网络（ANN）技术应用到拉深成形的自适应控制系统中去识别材料的性能参数，将拉伸力、凸模行程、压边力、法兰厚向应变、法兰收缩比作为3层神经网络的输入变量；材料的性能参数：硬化指数、各向异性指数和材料其他性能综合指数F作为输出层变量，然后计算出摩擦系数和最佳的压边力控制曲线来控制整个成形过程。因为法兰厚度厚向应变、法兰收缩比较难监测，赵军对轴对称拉深件建立了以拉深力、凸模行程、压边力为输入变量的神经网络，将材料参数n、B、r作为输出变量，建立了有效的材料参数识别模型。汪锐将拉伸力、拉深深度、摩擦系数、凸缘厚向应变和凸缘减缩率作为神经网络的上输入参数，将压边力作为输出，建立了了压边力作为输出，建立了压边力优化控制模糊神经网络专家系统，并对圆筒件的拉深进行了实验。结果表明采用优化后的压边力比常压边力控制时拉深深度大10%—20%。然而神经网络有一个缺点，就是他的随机性很强。想要得到一个良好的神经网络结构，就要人为的去调试，非常耗费人力财力和物力，因此想要应用到实际生产中就比较困难。