随着数控加工技术的发展,如何有效合理地对数控加工过程进行建模和加工工艺参数进行优化,已经成为影响数控机床加工能力发挥的关键。在传统数控加工中,缺少加工过程建模,对加工机理的认识与分析不足；主要依赖经验来获取工艺参数；缺少合理的手段来对工艺参数进行优化,从而阻碍加工效率与质量的提升。因此,本文围绕数控铣削加工过程中的物理建模与工艺参数优化进行了深入的研究。加工过程物理建模是认识与分析加工机理,并且选择与优化工艺参数的关键。数控铣削加工的过程是高度非线性、时变、不确定性的,因而,准确地建立加工过程显式数学表达式非常困难。现有的方法中,神经网络只能得到隐性的模型,经验公式和响应面方法等虽然可以得到显式模型,但精度不高。为了建立准确、显式的数控铣削加工过程数学模型,本文提出了基于贪婪随机自适应搜索过程的基因表达式编程(GGEP)加工过程物理建模方法。为了克服基因表达式编程方法存在的进化无导向且易陷入局部最优的缺点,GGEP方法结合了贪婪随机自适应搜索过程的贪婪和迭代重启动思想,设计了基因表达式编程的学习机制和迭代重启动机制。实验结果表明,GGEP方法在收敛效率、计算成功率、以及克服早熟收敛等方面具有良好的性能。切削力是影响数控铣削加工过程的关键因素之一,对刀具、机床和夹具的设计,切削用量的合理选择,工件加工质量的预测和控制,都具有非常重要的意义。本文深入研究了切削力建模技术,设计了基于GGEP的数控铣削加工切削力的建模与预测方法,有效地挖掘高精度、显式的切削力模型并将其应用于切削力预测,同时采用单因素分析法、方差分析(ANOVA)和田口(Taguchi)方法对切削力的影响因素进行了分析。实验结果表明,本文构建的切削力模型的成熟度和预测吻合度均很高。影响因素分析结果表明,进给速度对切削力贡献度最大,且两者呈正相关；最小化切削力的最佳参数组合是增大进给力、减小倾角和切削速度。表面粗糙度是衡量数控铣削加工过程性能和评定工件表面质量的一个重要指标,对工件的耐磨性能、疲劳性能等性能具有重要影响。本文深入研究了表面粗糙度的建模技术,设计了基于GGEP的数控铣削加工表面粗糙度的建模与预测方法,有效地挖掘高精度、显式的表面粗糙度模型并将其用于预测,并采用单因素分析法、ANOVA和Taguchi方法进行了表面粗糙度的影响因素分析。影响因素分析结果表明,进给率对表面粗糙度贡献度最大,且两者呈正相关；最小化表面粗糙度的最佳参数组合是增大主轴转速、减小进给率、适当选取切削深度。随着低碳制造的提出与兴起,降低能耗已成为数控加工过程关注的热点之一。针对加工过程中的能耗问题,本文深入研究了能耗的建模技术,设计了基于GGEP的数控铣削加工能耗的建模与预测方法,有效地挖掘高精度、显式的能耗模型并将其用于预测,并采用单因素分析法、ANOVA和Taguchi方法对能耗的影响因素进行了分析。影响因素分析结果表明,切削速度对能耗贡献度最大,切削深度其次,每齿进给量最小,且三者均与能耗呈正相关；最小化能耗的最佳参数组合是同时减小切削速度、切削深度和每齿进给量。加工工艺参数对于产品的加工质量有重要的影响,其选取不当会导致数控机床和加工中心发挥不出应有的加工能力。本文在切削力、表面粗糙度和能耗建模的研究基础之上,提出了数控铣削加工工艺参数优化问题模型。结合混沌序列、约束处理机制等,设计了基于混沌帝国主义竞争算法(CICA)的工艺参数优化方法,通过切削策略制定、单道参数优化和多道参数优化,对多道面铣工艺参数优化问题进行了求解。结果表明,提出的算法可以高效地求解工艺参数优化问题。本文根据某数控铣床的实际加工情况,将上述理论成果应用于实际数控铣削加工过程的物理建模与工艺参数优化,进一步验证了所提出方法的可行性与有效性。最后,对全文进行了总结,并且对下一步工作进行了展望。