قیمت های در حال رشد انرژی، کمبود منابع انرژی و قوانین سخت گیرانه زیست محیطی کمپانی های خودرو را به ارائه روش های جدید جهت کاهش آلاینده ها و افزایش کارایی موتور وادار کرده است. این پژوهش امکان استفاده از شبکه عصبی مصنوعی ترکیب شده با الگوریتم ژنتیک را برای بهینه سازی تنظیمات موتور بررسی می کند. هدف از بهینه سازی یافتن تنظیماتی است که بتوان آلاینده ها را کاهش داده و توان موتور را افزایش داد، در حالی که مصرف سوخت ویژه را ثابت نگه داشته و یا حتی کاهش داد. یک موتور دیزل پاشش مستقیم چهار زمانه برای تحقیق حاضر استفاده شده است (om-355). در ابتدا کاربردهای موتورهای دیزل، آلاینده های منتشره از آنها، مشخصه های کارکرد موتور و ارتباط بین پارامترهای عملکردی موتور، آلاینده ها و مشخصه های عملکرد موتور شرح داده شده و مقدمات لازم برای مدلسازی پارامترهای عملکردی و خروجی ها توسط شبکه عصبی مصنوعی فراهم شده است. مدل شبکه عصبی مصنوعی بر اساس نتایج تجربی پایه ریزی شده است (136 سری تست). سرعت موتور، دمای هوای ورودی، جرم سوخت پاشیده شده و جرم هوای ورودی پارامترهای عملکردی انتخاب شده هستند، و مصرف سوخت ویژه ترمزی، توان خالص، آلاینده nox و آلاینده soot خروجی های مطلوب می باشند. برای مدلسازی شبکه عصبی مصنوعی، شبکه استاندارد پس انتشار با الگوریتم آموزشی لونبرگ مارگوارت یک انتخاب مناسب برای آموزش مدل می باشد. شبکه عصبی مصنوعی به صورت یک ابزار شبیه سازی استفاده شده است، که پارامترهای عملکردی موتور را به عنوان ورودی دریافت کرده و سطح آلاینده ها، توان و مصرف سوخت را به عنوان خروجی تولید می کند. سپس خروجی های شبکه عصبی مصنوعی برای محاسبه تابع هدف در فرآیند بهینه سازی مورد استفاده قرار می گیرند، که با رهیافت الگوریتم ژنتیک انجام شده است. برای این منظور، برنامه ای به صورت m-file تحت نرم افزار matlab 7.8 نوشته شده است. مدل شبکه عصبی مصنوعی می تواند مشخصه های عملکرد موتور و آلاینده های خروجی را باضریب رابطه 99874/0، 99998/0، 98467/0 و 99815/0 به ترتیب برای مصرف سوخت، توان، nox و soot پیشگویی کند. نتایج، همگرایی سریع الگوریتم ژنتیک را با کمتر از 65 تکرار نشان می دهند. با اعمال الگوریتم ژنتیک، %09/26 و %55/11 کاهش در nox و soot و %45/2 افزایش در توان به دست می آید، که این مقدار می تواند در بهینه سازی موتور قابل ملاحظه باشد.