复杂产品由于制造复杂、造价昂贵等原因,其重要参数往往需要进行优化,以达到在保证输出性能满足的前提下尽量减少成本的目的。在面对如此关系复杂的多参数优化问题时,最优化方法可能因难以计算导数信息而不可行,因此一些基于搜索的启发式算法(遗传算法,粒子群算法等)会在这个问题上更有效。启发式算法由于不能积累搜索的经验常常需要花费大量时间进行搜索,而深度强化学习可以积累智能体在环境中搜索的经验,训练出有效的价值函数网络,在相似问题中进行快速优化。本文以大型永磁直驱风力发电机这一复杂产品为背景,提出一种将深度强化学习算法应用于解决复杂产品设计参数优化的方法,降低了优化时间。首先,本文建立了大型永磁直驱风力发电机的结构参数优化问题的理论模型,详细描述了风力发电机的设计参数,确定了基于磁路法建模的计算模块。通过分析风力发电机参数优化问题,定义了19个重要的结构参数作为优化目标,优化对象为有效材料的总成本,约束条件为5项输出性能指标,并分析了不同类型数据处理和磁路法建模计算上的难点。其次,本文创新性地提出将深度强化学习算法应用于参数优化问题的方法。结合参数优化问题的特点,定义了状态、动作空间以及回报函数。构建了神经网络结构的价值网络,并通过实验分析确定神经网络的结构和激活函数。然后根据深度强化学习算法设计了参数优化问题对应的训练和优化过程。再次,针对大型永磁直驱风力发电机的结构参数优化问题,实现了遗传算法、粒子群算法以及本文提出的深度强化学习算法对该问题的优化。结果表明,深度强化学习算法的优化结果要优于遗传算法和粒子群算法,深度强化学习算法的训练时间要远大于前两种算法,但是训练好的价值网络用于优化过程时可以大大减少优化用时。但是深度强化学习也有训练时间过长和对参数结构的依赖性强的缺点,需要在合适的情景下使用。最后,本文开发了大型永磁直驱风力发电机的结构参数优化系统,分析需求,明确功能,设计了参数优化系统框架。使用Matlab GUI编写遗传算法、粒子群算法和深度强化学习算法优化界面,编写基于Matlab和Python的后台计算程序,能够让相关技术人员方便地使用这些算法对风机产品的结构进行优化。