虽然主动控制算法已经取得了长足的进步,但目前仍然存在一些可行性的问题,本文针对其中的两点问题进行研究:在实际控制中,主动控制系统因实时数据计算处理以及控制力施加等都耗费一定的时间,因此导致的时滞问题会使得作动器施加作用的控制力不同相,这不仅会使控制系统性能减小,还会导致动力系统的紊乱;主动控制算法一般采用全状态反馈,而土木工程结构的自由度一般都很多,所以在结构全部自由度上布置传感器成本花费巨大,是不经济也是不切实际的。尽管主动控制在控制算法中显示了很大的优越性,但正是以上等原因导致它多集中在理论领域,工程应用很少,所以对这些问题解决方法的研究十分必要。本文以实际一栋高层建筑和一座进站人行天桥为工程背景,针对以上主动控制算法中的两个问题,提出利用BP算法以及粒子群算法两种智能算法手段预测进行解决的方法,具体本文进行了以下的研究:(1)BP算法是目前应用最广的神经网络,但其初始权值和阈值的随机性容易产生局部极小和收敛速度慢的问题,本文研究了利用粒子群算法对其进行优化,从而建立起网络性能更好的PSO-BP神经网络作为后面问题解决方法的手段。(2)针对主动控制算法中结构全状态反馈的需求问题,利用PSO-BP网络建立起基于结构已知部分自由度加速度响应预测全自由度加速度响应的辨识器,再利用时域积分和小波变换去除基线漂移方法将PSO-BP网络预测得到的结构加速度响应转化为速度和位移响应,这就是本文所设计出基于部分自由度加速度响应反馈的PSO-BP神经网络状态观测器。(3)针对主动控制算法中的时滞问题,继续应用PSO-BP网络建立预测模型,根据已知的位移和速度响应预测未来时刻结构的位移和速度响应,为主动控制决策提供依据,从而设计出基于时滞问题的辨识器。(4)将所设计的基于PSO-BP网络的状态观测器和时滞辨识器应用于高层建筑以及进站人行天桥的AMD系统经典最优控制中。本文通过研究多种激励下的控制效果验证了观测器的荷载鲁棒性,并与另外两种观测器包括模态滤波器和系统状态观测器进行预测误差对比,结果表明该观测器预测精度更高,更适合应用于工程实际,而时滞辨识器能够适用于时滞时间段数在一定范围的响应预测。综上所述,本文利用粒子群算法优化BP神经网络,利用这一手段旨在解决主动控制算法中时滞问题以及对结构全状态反馈的需求问题,对于主动控制技术应用工程实际有一定的意义。