摘要： 复杂产品有限元分析(Finite Element Analysis，FEA)费用很高，给多目标优化(Multi-Objective Optimization，MOO)带来很大困难。提出一种人工神经网络(Artificial Neural Network，ANN)辅助的多目标粒子群优化算法(Multi-Objective Particle Swarm Optimization，MOPSO)处理这类计算密集的设计问题：以基于噪声的虚拟样本丰富ANN的训练样本集，通过虚拟样本的控制参数和ANN模型参数的协同优化提高ANN泛化能力；以此ANN为代理模型支持多目标粒子群算法的进化，并采用基于网格邻域信息的拥挤指标提高Pareto前沿的收敛性、多样性及均匀性。最后，以航空发动机高压涡轮盘（High Pressure Turbine Disc，HPTD）多目标优化案例验证该策略的有效性和可用性。试验证明，这种面向成本的MOO方法降低了复杂产品多目标优化的工程应用难度，提高了设计质量。