Στην παρούσα διατριβή γίνεται μία μεθοδολογική συστηματική προσέγγιση του σχεδιασμού που βασίζεται στη χρήση τεχνικών της υπολογιστικής νοημοσύνης και στην εκμετάλλευση της προϋπάρχουσας διαθέσιμης σχεδιαστικής γνώσης. Προσδιορίζονται τα βασικά στοιχεία που οφείλει να ενσωματώνει η προτεινόμενη μεθοδολογία (αναπαράσταση και διαχείριση σχεδιαστικής γνώσης, αναζήτηση της βέλτιστης σχεδιαστικής λύσης και μάθηση και επαναχρησιμοποίηση σχεδιαστικής γνώσης), τα οποία σχηματίζουν τους πυρήνες γύρω από τους οποίους αναπτύσσονται αλγόριθμοι που βασίζονται στην χρήση τεχνικών υπολογιστικής νοημοσύνης (ασαφής λογική, τεχνητά νευρωνικά δίκτυα και γενετικοί αλγόριθμοι). Καθώς αναπτύσσεται η διατριβή, αναπτύσσεται η μαθηματική βάση για τη διατύπωση του παραμετρικού σχεδιαστικού προβλήματος και παρουσιάζεται ο συνεργατικός τρόπος βάσει του οποίου σχηματίζονται ασαφείς πίνακες δομής σχεδιασμού, βάσει των οποίων η διαθέσιμη σχεδιαστική γνώση οργανώνεται σε εύχρηστες ιεραρχικές δομές. Στη συνέχεια, εισάγεται ένα πλαίσιο ασαφούς συλλογιστικής για τη μοντελοποίηση από την πλευρά του σχεδιαστή των σχεδιαστικών στόχων/απαιτήσεων/περιορισμών υπό τη μορφή ασαφών προτιμήσεων. Προτείνεται επίσης το μέτρο της μέγιστης συνολικής ασαφούς προτίμησης ως κριτήριο βελτιστότητας των σχεδιαστικών λύσεων και προσαρμόζεται στην προτεινόμενη δομή οργάνωσης της σχεδιαστικής γνώσης. Η βέλτιστη σχεδιαστική λύση εξάγεται είτε μέσω μίας διαδικασίας βελτιστοποίησης που βασίζεται σε γενετικούς αλγόριθμους ή, εναλλακτικά, μέσω άλλων τεχνικών βελτιστοποίησης, ή χρησιμοποιώντας σχεδιασμό αναλογικής συλλογιστικής με ανάκτηση προηγούμενων σχεδιαστικών λύσεων. Οι σχεδιαστικές λύσεις είναι καταχωρημένες σε μία βάση και ανακτώνται χρησιμοποιώντας ένα εκπαιδευμένο ανταγωνιστικό τεχνητό νευρωνικό δίκτυο, το οποίο ομαδοποιεί τις λύσεις κατάλληλα και αποδίδει την ομάδα λύσεων που συγκλίνει προς τις τρέχουσες ασαφείς προτιμήσεις του σχεδιαστή. Στη διατριβή αναπτύσσονται και εισάγονται αρχιτεκτονικές, μέσω των οποίων οι διαδικασίες βελτιστοποίησης και ανάκτησης σχεδιαστικών περιπτώσεων συνδυάζονται υβριδικά, επιτυγχάνοντας αποτελέσματα ανώτερα σε ποιότητα και ταχύτητα επίτευξης σε σχέση με περιπτώσεις χρήσης μεμονωμένων (μη υβριδικών) τεχνικών. Εισάγεται επίσης μια μεθοδολογία σύμφωνα με την οποία οι σχεδιαστικές λύσεις που υπάρχουν στη βάση λύσεων χρησιμοποιούνται για τη νευρο-ασαφή προσέγγιση του αρχικού σχεδιαστικού προβλήματος και την απλοποιημένη μοντελοποίησή του. Αποδεικνύεται ότι η προσέγγιση αυτή είναι ιδιαίτερα κατάλληλη για σχεδιαστικά προβλήματα που παρουσιάζουν σημαντικό υπολογιστικό κόστος. Στα πλαίσια της συστημικής προσέγγισης για την υλοποίηση των προτεινόμενων μεθοδολογιών και αρχιτεκτονικών και για την αξιολόγηση αυτών, αναπτύχθηκε το σύστημα παραμετρικού σχεδιασμού Case-DeSC (Case-based design with Soft-Computing), το οποίο δοκιμάστηκε σε τρία διαφορετικά σχεδιαστικά προβλήματα. Τα αποτελέσματα εφαρμογής των προτεινόμενων μεθοδολογιών, οι προοπτικές εξέλιξης αυτών, καθώς και μια γενικότερη τοποθέτηση περί σχεδιασμού συνοψίζονται στο τέλος της παρούσας διατριβής. / The current Ph.D. thesis introduces a methodogical and systematic approach in order to perform engineering design by utilizing methods and techniques of computational intelligence as well as past design knowledge. Important issues and processes, such as representation and manipulation of design knowledge, extraction of optimal design solution, learning and reuse of design knowledge etc. are analytically discussed. Each one of the aforementioned elements is considered as core around which integrated algorithms are developed that combine various computational intelligence (soft-computing) techniques such as fuzzy logic, artificial neural networks and genetic algorithms. The parametric design problem is formulated on a mathematical basis, whereas the collaborative formation of fuzzy design structure matrices (DSM) is introduced as a basis on which the available design knowledge is organized in convenient hierarchical structures. Furthermore, in order to model the design objectives/requirements/constraints, a fuzzy inference framework is introduced that facilitates the expression of fuzzy preferences on various design parameters. The metric of the total maximum fuzzy preference is introduced as optimality criterion for the design solutions and then it is integrated in the proposed design knowledge organizational structure. The optimal solution is extracted either through an optimization process basically using a genetic algorithm or -alternatively- other optimization techniques, or through deploying analogical reasoning design with retrieval of past design solutions. The design solutions are preserved in a case base and they are retrieved by a trained competitive artificial neural network, which classifies the solutions into clusters and extracts the cluster that converges to the current designer’s preferences. Multiple options are provided for the extraction of optimal solutions. These options include: a) an optimization process that utilizes genetic algorithms, b) other evolutionary optimization techniques and c) analogical reasoning with retrieval of past design solutions. The design solutions are preserved in a case (solution) base and they are retrieved by a trained competitive artificial neural network that classifies the solutions into clusters and extracts the cluster that suits best to the current designer’s preferences. Architectures are developed and introduced, based on which the optimization and case-based retrieval processes are combined. This combination provides more efficient results in terms of quality and speed, if a comparison is made versus the implementation of individual (non-hybrid) techniques. Additionally, a methodology is proposed, according to which the design solutions located in the case base can be retrieved and utilized for a simplified neuro-fuzzy approximation of the initial design problem. It is proved that this approximation is suitable in case of design problems with high computational cost. In the context of a systemic approach of implementing the proposed methodologies and architectures and their evaluation, a system named Case-DeSC (Case-based design with Soft-Computing) is developed and tested against overall performance in three different design problems. The results from the implementation of the proposed methodologies, their future enhancements and evolution, as well as a general discussion about engineering design conclude the present dissertation.