大型反射面天线因其尺寸大、零部件众多及自重影响明显等特点，致使其在工作过程中极易变形，影响其工作性能。同时，因为大型天线的工作精度及效率通常要求很高，为了保证大型反射面天线的工作性能，通常会造成反射面天线研发困难多，研发周期长。工程中，通常将天线研发重点放在设计阶段，通过设计方案来弥补制造水平不足及装配变形大等问题。当天线研发已进入装配阶段，而反射面装配变形过大，导致反射面精度不足时，只能通过装配过程中不断调整面板来改善，延长了天线的装配周期，增加了装配人工消耗。本文通过对实际工程天线反射面装配过程进行观察及分析，得到反射面在装配过程中的变形规律及导致变形的可能因素，在此基础上结合有限元方法，先于天线实际装配过程，对反射面装配进行仿真优化，并将装配序列规划应用于反射面装配中，引入智能算法进一步优化反射面装配。本文的内容包括：　　1.阐述了基于物理仿真的反射面装配研究思路及研究目标，提出了结合有限元方法、智能算法及装配序列规划的反射面装配优化思想。建立了反射面装配优化的思想，给出了建立反射面装配的有限元仿真模型的基本思路，详细描述了适合反射面装配序列规划的智能算法，对涉及的关键技术进行了简要描述。　　2.结合天线反射面实际工程装配情况，提出了一种反射面装配过程结构变形的有限元仿真方法，并以实例的单块面板及整个反射面的装配仿真进行了验证。通过对现有大型反射面装配过程进行观察、对比及分析，建立了反射面装配的有限元仿真思路，考虑了影响反射面装配变形的主要因素。引入“单元生死法”，优化反射面装配仿真模型，以较小的建模工作及计算机计算量实现反射面装配的结构变形仿真，提高了反射面装配有限元仿真的模型准确度，相比传统有限元仿真方法，得到了更为准确及详细的反射面装配变形仿真计算结果。　　3.结合遗传算法运行特点及反射面装配过程，提出了一种基于遗传算法的反射面装配序列规划方法，并进行实例计算及相应的有限元仿真验证了算法的正确性及有效性。在实际工程反射面装配方法的基础上，对比各智能算法的优劣，选取适合反射面装配特点的遗传算法作为反射面装配序列规划的算法，根据反射面面板结构特点、影响面板装配变形的因素，建立遗传算法的基因组、评价系统等，选择赌轮盘法进行父代选择，根据反射面装配特点设计计算交叉概率与变异概率的方程，确定算法迭代终止条件，给出了完整的反射面装配序列规划遗传算法的数学模型。　　4.基于遗传算法的装配序列规划方法，提出了一种结合蚁群算法、遗传算法及有限元仿真方法的反射面装配序列规划算法，以实例进行建模计算，验证了该算法是更为智能完善的反射面装配序列规划方法。研究了在进行反射面装配序列规划时遗传算法的计算特点，选择合适的时机引入具有并行性、正反馈机制以及求解效率高等特征的蚁群算法，在遗传算法的运行过程中将遗传算法与蚁群算法进行结合，进一步优化了反射面装配序列规划方法。在反射面装配序列规划遗传算法的基础上，利用蚁群算法得出遗传算法中的初始种群，提高了初始种群的多样性及后期搜索的效率。每个蚂蚁选择初始可行装配节点，开始周游，完成一次周游后，将得到的初始解作为遗传算法初始种群，进行遗传算法各操作得到初始优化解。算法若不满足迭代终止条件，该优化解可转化为蚁群算法的初始信息素分布，蚁群算法对该信息素进行处理，并进入下一次周游。将该算法得到的最优装配序列规划应用于天线反射面有限元仿真模型中，仿真计算结果表明该算法的性能优于遗传算法和蚁群算法，并避免了由于遗传算法过早或过晚结束而影响算法的整体性能。　　5.基于上述思想，以某反射面天线的反射面为例，建立了完整的反射面有限元仿真装配模型，通过仿真计算，得到了螺栓预紧力、装配顺序等因素对其反射面变形的影响规律。分别建立了该反射面天线反射面装配序列规划的遗传算法数学模型及蚁群遗传算法数学模型，并分别将两种算法得到的最优解应用反射面装配有限元仿真模型中，验证了蚁群遗传算法优于遗传算法，并且通过与反射面装配变形的实际工程测量进行对比，验证了对反射面进行装配序列规划可以改善反射面变形，保证反射面装配精度。