在板料成形领域，回弹是板料冲压成形过程中不可避免的现象，它的存在直接影响了冲压件的成形精度。回弹问题是一个十分复杂的问题，影响因素很多且相互耦合，表现出高度的非线性，再加上实际生产条件的复杂多变性，使问题变得更加难以把握。因此，回弹一直是影响、制约模具和产品质量的重要因素。随着汽车工业和航空工业的发展，对复杂多曲率型面零件成形精度的要求越来越高，特别是近年来由于高强度钢板和铝合金板材的大量使用，回弹问题更为突出。因此，如何找到高效可靠的回弹预测与控制方法，提高冲压件的成形精度，是板材冲压成形领域迫切需要解决的难题。有鉴于此，本文以多曲率件冲压回弹为例，开展了基于进化策略的工艺优化回弹控制方法及模具型面修正算法的研究，主要研究内容如下： 多曲率件冲压回弹理论分析。讨论了多曲率件冲压回弹特点，分析了多曲率件变形过程，计算了多曲率件变形时的应力和弯矩。在考虑摩擦的情况下，通过对多曲率件自由弯曲和校正弯曲时的应力状态分析，推导了应力、应变与回弹量之间的近似计算关系式，剖析了影响多曲率件冲压回弹的主要因素。这些分析有利于多曲率件回弹预测控制方法的研究。 多曲率件冲压回弹试验研究及回弹快速预测。进行了多曲率件冲压成形回弹的试验研究，得到了不同材料性能参数、板料厚度、冲压成形力、摩擦条件等工艺参数对多曲率件冲压回弹的影响规律。在多曲率件回弹试验研究的基础上，提出了一种基于遗传算法和神经网络的冲压回弹快速预测模型。在该模型中，利用人工神经网络对高度非线性问题良好的逼近能力，模拟各项工艺参数与回弹量之间复杂的非线性关系，并将遗传算法与神经网络相结合，利用遗传算法来优化神经网络的权重，提高了网络的拟合性能和预测能力，建立了GA-ANN回弹快速预测模型。与神经网络方法相比，GA-ANN模型通过较少的迭代次数就能够得到较优的网络模型，而神经网络在给定不同的初始权值的情况下，需要经过多次训练才能得到较优的网络模型，克服了神经网络收敛性差的缺点。并将该模型的预测结果与BP神经网络模型及多元非线性回归模型的预测结果进行了比较。结果表明，GA-ANN回弹快速预测模型优于BP神经网络模型及多元非线性回归模型，能够进行快速有效的回弹预测。 基于进化策略的工艺优化回弹控制方法。提出了一种集进化策略算法和GA-ANN回弹快速预测模型于一体的冲压工艺优化回弹控制方法。针对多曲率件冲压成形工艺建立了相应的反映设计变量和目标函数映射关系的GA-ANN回弹预测模型，实现了优化迭代过程中个体适应度值的实时求解，有效地减少了优化迭代时有限元模拟或物理试验的巨大工作量。针对传统进化策略算法适应度函数的不足之处，提出了一种基于线性变换的适应度函数数学模型，个体适应度在进化计算前期或后期可以自适应地缩放，提高了对进化环境的应变能力，取得了较好的进化效果。以基于线性变换适应度函数的进化策略算法为优化器，多曲率件冲压成形后回弹量最小为目标，实现了冲压成形工艺参数的优化设计，解决了工艺参数调整的盲目性和低可靠性的难题，提高了冲压工艺设计的科学性和精确性，达到了对回弹的有效控制。冲压回弹模具型面修正算法研究。基于计算机辅助测试技术和闭环控制系统等理论，建立了一种基于试验测量的带补偿回弹闭环控制系统模型，提出了一种基于频域传递函数的模具型面修正算法。在对试验模具及冲压件型面进行精确测量的基础上，利用小波变换将时域下的模具型面和冲压件型面离散数据变换为频域下的参数表示形式，采用小波分析和Fourier变换相结合的方法来求解闭环控制系统形状传递函数，实现了冲压成形回弹误差的补偿，得到了理想的模具型面形状。首次将该算法应用于复杂多曲率件冲压模具型面修正过程中，解决了模具型面测量数据的精确时频变换表示、闭坏控制系统形状传递函数求解、回弹误差补偿等关键技术难题，拓展了解决回弹控制问题的途径和方法，该修正算法对模具型面的精确设计和回弹补偿修正具有较好的指导作用。