对于切削参数的优化，传统上是以切削试验为基础，通过对所得结果进行比较，来选择合适的切削用量。这种方法需要耗费大量的人力、物力和时间，在现代社会提倡高效率和低成本的情况下是不可取的[4]。因此，如何在花费较少的成本和时间的条件下，得到合理的切削用量(即切削用量优化)成为了众多研究人员研究的重点。52341

国外在切削参数优化方面进行的研究较早，上个世纪50年代，Gilbert就发表了第一篇有关加工经济性的文章，并且首次提出了最小生产成本和最大生产效率的概念。Field提出了一种实际可用的系统化的生产成本和生产时间评价方法，计算出了综合了进给速度和切削深度后对应于最小生产成本和最大生产效率的切削速度。在Field的研究之后，Hitomi研究了优化切削速度与最小生产成本、最大生产效率以及最大利润率之间的关系。Cukor提出了同时考虑切削速度、切削深度和进给速度的优化算法：其优化目标是最小成本、最短生产时间和最小工序数，同时也要根据具体生产情况确定各优化目标的权重，用切削三要素和直径处的切削点来表达每个加工工序的加工状况，并建立了基于加工成本和加工时间的全局权重方程。Zuperl应用遗传算法和神经网络算法确定最优切削参数，他们都同时考虑了最小加工成本和最短时间以及最终的加工表面粗糙度。这两种方法都是具有重大意义的解决复杂的数学优化问题的方法，但是它们的缺点在于需要长时间的学习过程和对算法的针对性的考虑[4]。

国内对切削参数化的研究相比国外，起步较晚。刚开始，徐德安是基于正交实验法优化单步的切削参数的探讨。随后，哈尔滨理工大学的姜彬等人在考虑了多个约束条件的情况下，通过利用直接寻优算法对车削的切削参数进行进一步优化。之后沈浩和谢黎明等人考虑了主要的约束条件和其他综合因素等情况下，建立了车削用量多目标数学优化模型。到2002年，哈尔滨理工大学的姜彬、郑敏利和徐鹿眉等人进行了数控铣削加工用量多目标优化方面的研究。张臣、周来水等在2003年提出了基于仿真数据的数控铣削加工多目标变参数优化方法，将变参数优化问题转化成多参数优化问题，建立了相应的数学模型。后来，华南理工大学的彭观等人运用神经网络方法对切削参数进行多目标优化等工作。

    武美萍等以最大生产率为目标函数建立优化数学模型，采用变搜索域遗传算法为优化算法，对切削用量优化进行了研究[6]。刘伟利用计算机，提出基于Pareto遗传算法的优化算法，采用混合交叉算子和步长变异算子进行基因重组[7]。李建广等采用线性加权建立多目标优化函数，采用惩罚函数法改进目标函数，应用遗传算法开发了一个车削用量优化器[8]论文网。任小平等通过建立切削加工单件生产成本和生产率目标函数，充分考虑机床、刀具性能和加工质量要求等约束后，通过实例得到了最佳切削速度[9]。张玉周、刘菊东等研究了以切削用量为评价因子，以表面粗糙度、切削力和材料去除率为评价目标，分别运用模糊关系综合评价法和模糊向量单值化法对切削用量进行综合评价，得到了最优的切削用量组合[10]。张培培等建立了数学优化模型之后，研究采用遗传模拟退火算法对数学模型求解，克服了传统遗传算法局部寻优能力差的缺点[11]。

从目前的情况来看,切削参数优化的研究处于发展和应用的研究阶段，主要问题归纳如下：国内外关于制造系统切削用量的优化研究大都是建立切削参数优化模型，重在研究目标函数和优化方法。由于目标函数的限制，优化仅仅追求目标函数的最优，不能根据实际工况调整目标函数、选择切削参数。此外，目前用于求解多目标（单目标）优化模型最流行的方法主要有遗传算法、粒子群算法、蚁群算法、免疫算法、模拟退火和禁忌搜索等多智能优化算法或其综合算法。但是随着约束条件的不断增加，进行切削参数优化就变得十分困难。另外这些传统的优化算法几乎都是有针对性的，它是根据实际情况提出的优化方法，有一定的局限性，不能广泛适用于实际加工。因此本论文结合X-Cut软件对船用柴油机缸盖进行铣削切削参数优化。