遗传算法是一种基于自然选择原理和自然遗传机制的搜索（寻优）算法，它是通过模拟生物遗传和进化过程里的自然选择、交叉和变异过程，按照“物竞天择，适者生存”的原理，通过自适应的群体搜索技术，最后得到优解或准优解的一种优化算法。其中，带精英策略的非支配排序遗传算法（NSGA - II）是现在最流行的基于Pareto最优前沿解的多目标优化算法之一，它求解效率高，一次运行能得出多个高质量的解，成了其他多目标优化算法进行性能对比的基准算法。这个算法用快速非支配排序和拥挤度算子选择个体的方法，通过遗传算法的选择、交叉和变异生成新的子代种群，然后把父代和子代种群结合生成新的种群，这样不断循环最后生成Pareto最优解集。
当试验有很多因素的时候，怎么从众多因素里选出少数几个重要因素来当研究对象，就需要做筛选试验，这类试验通常可以用正交试验或者均匀设计等来进行。前面我们分析了随形冷却水路的排布类型和截面几何形状对冷却效果的影响。对于水路直径、相邻水路的间距以及水路中心线到型腔的距离等这些可以定量的因素，接下来用正交试验看看它们对指标的影响是不是明显以及各自的影响程度，为响应面试验确定试验因子。要注意的是，正交试验因素的显著性和它对应的水平取值范围有关，对于一个因素，因素的水平取值范围越大，这个因素的显著性就会提高，相反，因素水平的取值范围越窄，因素的显著性就会下降。
试验用RSM里的Box - Behnken试验法做响应面分析，建立相应的预测回归模型并进行方差分析，还用残差概率图进行可靠性验证，得到交互项和平方项的二次方程，分析各因素的主效应和交互效应，最后在一定范围内求出最佳值。然后结合NSGA - II算法进行多目标优化得到最佳的因素水平组合值。
日常生产中，常见的注塑件壁厚在0 - 6毫米范围内变化，不同形状、尺寸和壁厚的塑件需要设计不同的随形冷却水路设计配置，也就是水路直径（圆形水路）、相邻水路中心距、水路中心线到型腔的距离等，这样来保证产品的冷却效果达到最优。考虑壁厚对产品冷却的影响，这个实验对同一个形状大小但三种不同壁厚的产品进行随形水路冷却效果的考察。在因素相同的时候，因为没有轴向点，BBD试验设计次数少又经济，优化求解得到的最优组合的水平值不会超过最高值范围，而且有比较准确的预测精度和较高的运行效率。考虑到生产制造的实际问题（比如模具强度），优化变量的取值必须限定在给定的范围内，所以BBD方法更适合这个优化分析。
随形冷却水路的冷却效果和水路直径、相邻水路中心距、水路中心线至型腔的距离是非线性关系，所以我们直接进行二阶的响应面组合设计，就是在编码空间里选择有不同特点的试验点形成试验方案。上面说的这个函数模型能不能很好地反映优化变量和响应指标的函数关系，或者能不能作为有意义的二阶逼近模型，还需要对模型进行残差和方差分析，来检验方程的显著性和回归系数的显著性，从而衡量模型拟合的准确性和模型的好坏。当塑件壁厚增加到6毫米的时候，水路直径对冷却时间的影响慢慢就可以忽略了。这是因为随着壁厚增加，塑料熔体带进型腔的热量增多，因为壁厚大，塑件内部热量积聚，在短时间内很难释放出来，所以在直径约束的比较小的取值范围12 - 14毫米内，水路直径的变化对指标几乎没影响。所以，在随形冷却水路设计过程中，以最小冷却时间为优化目标时，当产品壁厚小于4毫米，优化的设计变量包括水路直径、相邻间距和水路至型腔的距离；当产品壁厚大于4毫米，水路的直径在约束就行，对于设计变量应该重点优化相邻水路的间距和水路至型腔的距离。以最小冷却时间为优化目标时，当产品壁厚小于2毫米，优化的设计变量应该包括水路直径、相邻间距和水路至型腔的距离；当产品壁厚大于2毫米，水路的直径在约束的相应取值范围之内就行，水路的优化设计主要以相邻水路的间距和水路至型腔的距离两个设计变量为主。