امروزه، با توجه به مزایای فراوانی که در فرآیند هیدروفرمینگ وجود دارد، این فرآیند مورد توجه بسیاری از صنایع قرارگرفته است. فرآیند هیدروفرمینگ یکی از روش های شکل دهی است که با استفاده از سیال به عنوان محیط انعطاف پذیر، جهت شکل دهی ورق های مخروطی به کار می رود. این عمل در یک یا چند مرحله انجام شده و خواص مکانیکی و دقت ابعادی مناسب به همراه توزیع ضخامت قابل قبول ارایه می دهد. در این پژوهش، با استفاده از کد اجزای محدود، شبکه های عصبی و الگوریتم بهینه سازی اجتماع ذرات (particle swarm optimization)، به بهینه سازی شکل سنبه ی پیش فرم برای رسیدن به بهترین توزیع ضخامت در سراسر قطعه ی مخروطی فرم یافته پرداخته شده است. در گام اول، مدل اجزای محدود فرآیند با نتایج آزمایشگاهی اعتباربخشی گردید. سپس از شبکه عصبی برای مدل کردن فرآیند به عنوان مدل جانشین اجزای محدود استفاده شده و خروجی های بیشتری استخراج گردید. در ادامه این شبکه بعنوان تابع ارزیابی در الگوریتم بهینه سازی pso بکار گرفته شده و شکل سنبه پیش فرم بهینه سازی شد. نتایج نشان داده است که تطابق قابل قبولی بین مقدار پیش بینی شده توسط الگوریتم pso بر مبنای شبکه عصبی و شبیه سازی اجزای محدود وجود دارد. واژه های کلیدی : هیدروفرمینگ، قطعات مخروطی، شبکه های عصبی، الگوریتم pso، بهینه سازی