多学科优化设计问题一般都涉及到大型复杂的系统,由于大量的设计变量、多种约束条件、多个优化目标和复杂设计空间的存在,这使得在构建多学科优化模型求解优化结果时非常困难,多数情况下是得不到最优化的设计值。近似方法就是针对这样的问题而提出来的。近似方法在工程上又叫代理模型,它通过一次或者多次对学科数据进行分析,可以得到部分或者全部设计空间的模拟,从而得到真实隐式函数的显式近似函数表达式。多个学科之间的耦合关系可以通过近似方法来得以恰当处理,并可以得到学科间具有耦合关系设计量的近似函数关系,再进一步耦合到优化进程中。同时基于近似函数的信息交换十分方便,可以将数值噪声消除。人工神经网络具有多学科交叉学习逼近能力,越来越多的被广泛应用于许多领域。神经网络传统上有4种基本模式：前馈型、反馈型、自组织型和随机网络。在信号处理、模式识别等领域中,前馈网络被极为广泛的得到应用,但是大多数基于反向传播的前传多层网络都有一个共同的缺点,即网络与参数之间的高度非线性。这样极有可能使得网络在学习阶段的参数估计陷入其优化标准的局部极小。径向基函数RBF (radial basis function)是一种前馈网络,它为多层前传网络提供了一种很有效的学习方法。首先它网络层简单,只有三层；其次它可以避免像BP网络那样因网络的反向传播而带来的繁琐而复杂的计算,提高学习速度；再次它可以克服局部最小问题,而且任何BP网络能逼近的网络都可以用一个RBF网络代替,而且如果RBF结合DOE设计方法得以实现会有非常好的效果。近些年由于RBF算法的越来越成熟,该算法在工程上得到了广泛的应用。