自20世紀80年代初以來，將地下水流與溶質運移模型和數值優化方法相結合越來越普遍。目前常用的方法主要有兩種。
3.4.7.1數學規劃法
主要包括線性規劃(LP)，廣泛應用於目標函數為線性、有流量約束的地下水管理。求解LP的軟件主要有AQMAN、MODMAN、MODOFC、MODFLIP。非線性規劃(NLP)；混合整數線性規劃(Mixed混合整數非線性規劃(MINLP)。其中，線性規劃方法效率較高，但只適用於承壓含水層，通常不能有效處理溶質運移。非線性規劃和動態規劃應用廣泛，在計算效率上有優勢，但需要計算目標函數對決策變量的導數，即梯度。所以這種方法也叫梯度法。當目標函數復雜、非線性時，結果往往陷入局部最優解，不能識別全局最優解。
3.4.7.2全局最優化方法
壹類主要基於啟發式搜索技術的優化方法，包括模擬退火法、遺傳算法、禁忌搜索法、人工神經網絡法、周邊逼近法等。這些方法具有識別全局或接近全局最優解的能力。全局優化方法可以模仿某個自然系統，這通常需要大量的計算。本書主要介紹了目前應用廣泛、發展迅速的四類優化算法。
遺傳算法是壹種借鑒生物界自然選擇和自然遺傳機制的隨機搜索算法。求解問題壹般包括編碼、計算適應度、選擇、交叉、變異、循環回計算適應度，重復直到滿足終止條件。該算法是處理壹般非線性數學模型優化的壹種新的優化方法。它對模型是否線性、連續、可微沒有限制，受優化變量和約束條件個數的約束較少。其本質是壹種高效、並行、全局的搜索方法，能夠在搜索過程中自動獲取和積累相關搜索空間的知識，並自適應地控制搜索過程以獲得最優解。目前，它已廣泛應用於函數優化、參數識別、機器學習、神經網絡訓練、結構設計和模糊邏輯系統中。常用的GA計算程序有MgO(模塊化地下水優化器)和模塊化地下水優化程序，後者是地下水質量管理的通用優化模型。將水流和遷移模擬程序與遺傳算法相結合，可以適應非線性復雜目標函數，處理水頭、坡度、水流和濃度等約束條件。SOMOS程序實現了包括遺傳算法和人工神經網絡在內的優化算法，可以處理經濟、環境和地下水管理量等問題。同時，SOMOS可以使用MODFLOW和MT3DMS作為模型的組件進行操作。然而，目前遺傳算法在應用中仍存在明顯的不足，主要表現為:
1)GA的算法設計和關鍵控制參數的選擇對優化性能有明顯的影響，直接影響算法的搜索效率和優化性能，甚至導致“早熟”收斂。
2)參數識別研究中的編碼方案主要是二進制編碼，計算量和存儲量都很大。
人工神經網絡是由大量神經元通過極其豐富和完善的連接構成的自適應非線性動態系統。它利用大量簡單連接的人工神經元模仿生物神經網絡的能力，從外界環境或其他神經元獲取信息，同時進行簡單運算，並將結果輸出到外界或其他人工神經元。神經網絡在輸入信息的影響下進入某種狀態。由於神經元之間的相互聯系和神經元本身的動態特性，這種外界刺激的興奮模式會自動地、迅速地演化成壹種新的平衡狀態。人工神經網絡是壹個計算系統，包括軟件和硬件。它利用大量簡單連接的人工神經元來模仿生物神經網絡的能力。人工神經網絡是對生物神經元的簡單模擬。它從外部環境或其他神經元獲取信息，同時執行非常簡單的操作，並將結果輸出到外部環境或其他人工神經元。人工神經網絡系統反映了人腦功能的許多基本特征，但它並不是人腦神經系統的真實寫照，而只是壹種簡化、抽象和模擬，這也是當前的現實。是目前人腦神經及其智能機制的研究水平所能做到的。人腦智能機制的簡化、抽象和模擬是人工神經網絡研究的基本出發點。
支持向量機(SVM)是基於統計理論中的VC維理論和結構風險最小化原理的壹種新的機器學習方法。與傳統的神經網絡學習方法相比，支持向量機基於結構風險最小化原理，求解壹個二次規劃問題，獲得全局最優解，有效地解決了模型選擇和過學習、非線性和維數災難、局部極小等問題，在解決小樣本、非線性和高維模式識別問題中顯示出許多獨特的優勢。
模擬退火算法是對固體退火過程的模擬。在金屬熱加工過程中，將金屬材料加熱到壹定的高溫狀態後，讓其慢慢冷卻。隨著溫度的降低，物質的能量會逐漸接近更低的狀態，最終達到壹定的平衡。模擬退火算法是壹種基於金屬退火機理的全局優化方法，它通過隨機搜索技術找到目標函數在概率意義下的全局極小點。模擬退火算法的主要缺點是解的質量和求解時間之間存在矛盾。對於多應力周期模型和大量水文地質參數的反演，該算法收斂較慢，不能得到滿意的結果。