自動優化
Cast-Designer 優化求解器能夠支持多準則下的非線性計算，基於人工智能領域的基因算法（遺傳算法）
- 多目標準則: 支持各種物理場結果信息的優化計算，包括流場，熱場，應力場，變形翹曲，微觀結構，材料機械性能等。例如，單個或者多個目標的優化計算，鑄造工程師希望最大的良品率，最小縮孔率以及充填過程中的流動平衡性。
- 多變量優化（設計參數或者工藝參數）: 設計變量通常有較大的自由度，比如流道造型中的CAD尺寸參數，內澆口位置，或者重力鑄造中的冒口尺寸，甚至包括鑄件尺寸與形狀。另外工藝過程參數眾多，諸如澆鑄溫度，金屬液速度，或者熱交換系數等。
- Cast-Designer 中的基因算法優化求解器，能夠在每一次優化計算的子循環中檢查收斂目標，比如縮孔體積，並且智能化的設置新的設計變量，比如冒口大小，位置等，並進入下一個循環計算，直到達到目標收斂準則。
- 支持複雜的用戶自定義公式和方程。
Cast-Designer 優化模塊支持並行自動優化計算，這是優化計算領域的突破性創新技術，能夠大幅度節約計算時間
DOE 實驗設計
設計實驗DOE，用於研究工藝窗口及其穩定性，以得到一組理想的參數和工藝條件，這些參數條件能幫助用戶在定義的目標內，獲得最好的鑄造結果。
例如:
- 產量: 找出縮孔的最佳位置和尺寸，以儘量減少縮孔。
- 靈敏度: 確定產生影響的工藝參數的靈敏度，如增加模具溫度和增加保溫套。
- 成本: 比較維持較高的澆注溫度與次品/生產損失的成本。
- 可行性: 確定優化目標，在生產製造過程中，還能夠考慮相關鑄造約束條件。
過程穩定性
隨機方法校驗過程的穩定性
例如:
通過已知範圍內改變爐溫，校核工藝條件是否可靠，找出鑄造過程中允許的最大和最小變化，同時仍能獲得所需的優質鑄件。
田口DOE方法提供了最佳可能的變化組合。例如：在512種組合中，可以通過嘗試16種組合即可獲得期望的結果
高壓鑄造：流道優化
原始設計
衝型過程中的困氣區域
優化設置
目標：無卷氣的流動過程
- 優化兩個流道橫截面之間的比值SR1和SR2
- 我們設置該比值為K，如果K小於1，那麼系統將不設置分支流道,同時比值K會直接影響C和D兩個內澆口的面積大小
優化後設計
有輔助流道
無輔助流道
重力鑄造：冒口優化
優化設置
優化後的結果（最好的結果）
得料率: 59.3%
縮孔總體積: 253.3
優化後的設計（最差的縮孔）
得料率: 56.1%
縮孔總體積: 287.1
全組合算法: 243 個模型
田口算法: 27 個模型
用戶定義的條件可以應用於以上兩種方法。
標準計算模型定義需要 30 分鐘，優化模型定義需要 1 小時。本案例一共運算了 27 組，耗時 5 小時，採用5個併發數的並行計算版本，工作平臺為 20 核英特爾 E5 工作站。
針對汽車零部件優化鑄造得料率和縮孔。採用基因遺傳算法尋找最優解（帕累託結果）。X軸是冒口體積，Y軸是縮孔體積
優勢與利益
Cast-Designer 優化算法降低前期開發成本，壓縮開發週期。該系統能夠將設計師從繁重的重複性的參數測試-驗證的環節解放出來，而傳統的參數優化往往會耗費大量的時間。