塑膠成型產業的研發和使用技術已經十分純熟且趨向穩定，不過隨著產品多樣化，塑膠成型其特性需要我們去發掘與開發和多用途的使用。傳統射出成型生產過程中，前期測試與參數調整皆須倚賴人工，成型產品多為使用人工方式進行品質檢驗與確認和不良修正，並在生產完成後以人工方式進行參數紀錄作業。然而，相關研究中探討的主題多為外觀有關，如尺寸、變形度或產品結合線等，但過去有關塑膠成型的主題，缺乏同時考量外觀以外的問題，如埋釘柱側推力與硬度等，同時也缺乏使用數位化方式進行製程參數改善。其次，過去塑膠成型的研究其模擬模型通常須符合一些假設及樣本數限制，例如：常態分配、需要大筆資料或未能將影響因素考慮至模型中。綜合上述，本文提出混合型製程參數優化方法包含灰系統關聯分析法、基因規劃演算法與基因演算法，此方法分為兩個階段，第一階段是灰系統關聯分析法，該方法的優點為能將探討主因子與影響因子的灰關聯係數導入模型之中，並且僅需四筆以上之樣本就能夠準確的推算關聯值。第二階段結合演算法建立誤差關聯數學式，此兩階段模型將被稱為混合型製程參數優化方法。實驗部分將以三個塑膠成型工廠為例，進行產品尺寸、變形度與埋釘柱側推力，驗證不同影響因素的組合，利用本研究提出的混合型製程參數優化方法和未使用混合型製程參數優化方法相互比較其標準差與製程能力指數，以確認此方法在實際問題運用上的價值。

The R&D and application technology of the plastic molding industry has stabilized. However, with the variety of products, the new technology of plastic molding need to be explored and developed. In the traditional injection molding process, preliminary testing and parameter adjustment are manually performed, and most of the molded products are manually inspected for quality confirmation and defect detection, and the parameters are manually recorded after production. However, most of research are related to appearance, such as dimensions, deformation, or product bonding lines.
However, in the past, the topic of plastic molding has lacked the ability to consider issues other than appearance, such as the lateral force and stiffness of studs, and the use of digital methods to improve process parameters. The research of plastic molding using conventional statistical methods usually requires some assumptions and limitations such as normality, large dataset and not considered the factors into model. Consequently, this study investigated model which are Grey Relation Analysis model, Genetic Programming and Genetic Algorithms. First, the grey relation analysis model get the high relational group. Then use algorithm to create mathematic forms and get parameters. In the experimental section, three plastic molding plants will be used as examples to compare the process capability index and standard deviation with each other using the hybrid optimization method proposed in this study and the unused method, considering the combination of different influencing factors of the experiments, to confirm the value of this method in the application of practical problems.

一、 中文部分
〔1〕 丁進興，「運用BPNN及SOM類神經網路建構射出成型之品質預測器」，中華大學科技管理研究所，碩士論文，2006 年。
〔2〕 李慶文，「不同ABS/PC材質對薄殼塑膠射出成型品落下強度之影響」，國立中央大學機械工程研究所碩士在職專班，碩士論文，2012 年。
〔3〕 林俊銘，「熱塑性塑膠射出成型之噴流現象研究」，國立交通大學機械工程學系，碩士論文，2007 年。
〔4〕 邱士軒，「面光罩快速原型系統之產品表面精度改善與製程參數最佳化設計」，國立臺灣科技大學材料科學與工程系，碩士論文，2012 年。
〔5〕 邱永福，「塑膠射出成型內縮變形改善之研究」，國立交通大學工學院精密與自動化工程學程，碩士論文，2011 年。
〔6〕 洪大凡，「AZ61鎂合金管材之熱擠成形性探討」，國立臺灣科技大學機械工程系，碩士論文，2007 年。
〔7〕 洪國森，「灰關聯分析於點膠流量控制參數最適化之研究」，國立臺灣科技大學自動化及控制研究所，碩士論文，2010 年。
〔8〕 張靜怡，「以基因演算法結合類神經網路最佳化射出成型作業之翹曲與收縮值」，東海大學工業工程與經營資訊研究所，碩士論文，2009 年。
〔9〕 黃大益，「模具旋轉機構對於塑膠射出成型之結合線消除的效果」，國立交通大學機械工程系所，碩士論文，2006 年。
〔10〕 黃敏雄，「幾何與成型因子最佳化對塑件翹曲最小化之影響」，國立臺灣科技大學機械工程系，碩士論文，2006 年。
〔11〕 黃振鈺，「射出成型製程參數最佳化之研究: 結合資料包絡法分析與數學規劃」，東海大學工業工程與經營資訊學系，碩士論文，2013 年。
〔12〕 陳振臺，「塑膠射出成型製程參數最佳化與製程控制」，中華大學科技管理研究所，碩士論文，2006 年。

二、 英文部分
〔1〕Chen, W. C. , & Kurniawan. (2014). “Process parameters optimization for multiple quality characteristics in plastic injection molding using taguchi method, bpnn, ga, and hybrid pso-ga”, International Journal of Precision Engineering & Manufacturing, 15(8), 1583-1593.
〔2〕 Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning. Reading, MA: Addison-Wesley.
〔3〕Koza, J. R. (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection (Vol. 1). Cambridge, MA: MIT press.