自动优化
Cast-Designer 优化求解器能够支持多准则下的非线性计算，基于人工智能领域的基因算法（遗传算法）
- 多目标准则: 支持各种物理场结果信息的优化计算，包括流场，热场，应力场，变形翘曲，微观结构，材料机械性能等。例如，单个或者多个目标的优化计算，铸造工程师希望最大的良品率，最小缩孔率以及充填过程中的流动平衡性。
- 多变量优化（设计参数或者工艺参数）: 设计变量通常有较大的自由度，比如流道造型中的CAD尺寸参数，内浇口位置，或者重力铸造中的冒口尺寸，甚至包括铸件尺寸与形状。另外工艺过程参数众多，诸如浇铸温度，金属液速度，或者热交换系数等。
- Cast-Designer 中的基因算法优化求解器，能够在每一次优化计算的子循环中检查收敛目标，比如缩孔体积，并且智能化的设置新的设计变量，比如冒口大小，位置等，并进入下一个循环计算，直到达到目标收敛准则。
- 支持复杂的用户自定义公式和方程。
Cast-Designer 优化模块支持并行自动优化计算，这是优化计算领域的突破性创新技术，能够大幅度节约计算时间
DOE 实验设计
设计实验DOE，用于研究工艺窗口及其稳定性，以得到一组理想的参数和工艺条件，这些参数条件能帮助用户在定义的目标内，获得最好的铸造结果。
例如:
- 产量: 找出缩孔的最佳位置和尺寸，以尽量减少缩孔。
- 灵敏度: 确定产生影响的工艺参数的灵敏度，如增加模具温度和增加保温套。
- 成本: 比较维持较高的浇注温度与次品/生产损失的成本。
- 可行性: 确定优化目标，在生产制造过程中，还能够考虑相关铸造约束条件。
过程稳定性
随机方法校验过程的稳定性
例如:
通过已知范围内改变炉温，校核工艺条件是否可靠，找出铸造过程中允许的最大和最小变化，同时仍能获得所需的优质铸件。
田口DOE方法提供了最佳可能的变化组合。例如：在512种组合中，可以通过尝试16种组合即可获得期望的结果
高压铸造：流道优化
原始设计
冲型过程中的困气区域
优化设置
目标：无卷气的流动过程
- 优化两个流道横截面之间的比值SR1和SR2
- 我们设置该比值为K，如果K小于1，那么系统将不设置分支流道,同时比值K会直接影响C和D两个内浇口的面积大小
优化后设计
有辅助流道
无辅助流道
重力铸造：冒口优化
优化设置
优化后的结果（最好的结果）
得料率: 59.3%
缩孔总体积: 253.3
优化后的设计（最差的缩孔）
得料率: 56.1%
缩孔总体积: 287.1
全组合算法: 243 个模型
田口算法: 27 个模型
用户定义的条件可以应用于以上两种方法。
标准计算模型定义需要 30 分钟，优化模型定义需要 1 小时。本案例一共运算了 27 组，耗时 5 小时，采用5个并发数的并行计算版本，工作平台为 20 核英特尔 E5 工作站。
针对汽车零部件优化铸造得料率和缩孔。采用基因遗传算法寻找最优解（帕累托结果）。X轴是冒口体积，Y轴是缩孔体积
优势与利益
Cast-Designer 优化算法降低前期开发成本，压缩开发周期。该系统能够将设计师从繁重的重复性的参数测试-验证的环节解放出来，而传统的参数优化往往会耗费大量的时间。