امروزه قطعات بسیار زیادی در صنعت به روش فرزکاری تولید می شوند. با توجه به رشد روزافزون صنعت و هزینه نسبتا بالای ماشین کاری، نیاز به این مساله بیشتر احساس می شود که باید پارامترهای ماشین کاری مورد مطالعه قرار گیرد. انتخاب مناسب پارامترهای فرزکاری تاثیر زیادی بر روی مشخصات خروجی فرایند ماشین کاری از جمله سایش ابزار، نیروها، دقت هندسی و ابعادی و سلامت سطح می گذارد. به همین دلیل محققان زیادی در چند دهه اخیر به بررسی آن پرداخته اند. برای آنکه یک فرآیند فرزکاری از نظر اقتصادی بهینه باشد، باید نرخ براده برداری حداکثر، کیفیت سطح قطعه کار مطلوب و عمر ابزار بیشینه باشد. با توجه به تاثیرگذار بودن پارامترهای فراوان، اصولا و قاعدتا این کار نیازمند ضابطه ی برای بهینه سازی مشخصات خروجی با توجه به پارامترهای ورودی ماشین کاری است. انتخاب پارامترهای ماشین کاری با سعی و خطا، وقت و هزینه زیادی را می طلبد و ممکن است سطح حاصل از ماشین کاری نیز کیفیت مطلوب را نداشته باشد. در این پژوهش اثر تغییر در پارامترهای ماشین کاری مانند سرعت برشی، نرخ پیشروی، عمق برش شعاعی و محوری بر روی فولاد ضدزنگ 1.4923 که در صنایع هوایی و نیروگاهی، قطعات و پره کمپرسور توربین گازی، صنایع نظامی و... کاربرد فراوانی دارد مورد بررسی قرار گرفته و پس از انجام آزمایشات، نیروی ماشین کاری و زبری سطح به عنوان دو خروجی بسیار مهم فرایند مورد تحلیل قرار گرفته است. امروزه استفاده از هوش مصنوعی برای بهینه سازی فرایندهای مختلف کاربرد فراورنی پیدا کرده است و نتایج بسیار خوبی را در مقایسه با روش های دیگر بهینه سازی از خود نشان داده است. به همین دلیل در این پژوهش با استفاده از الگوریتم ژنتیک پارامترهای بهینه ماشین کاری مشخص گردیده است. استفاده از الگوریتم ژنتیک برای بهینه سازی نیرو، کاهش مقدار آن را به میزان 2/11 درصد نشان می دهد. علاوه بر موارد ذکر شده مدلسازی نیرو و زبری سطح با شبکه عصبی انجام گرفته و نتایج آن با رگرسیون مقایسه گردیده است. نتایج نشان می دهند که شبکه عصبی دارای نتایج بهتری نسبت به رگرسیون است.