寻找高度鲁棒的、高效率的优化问题求解算法始终是结构优化设计中一个重要的课题。同时，在结构优化设计中，结构分析占有重要的地位。但是常用的基于结构应力、位移的一阶和二阶导数的结构近似分析不具备全局性，而有效的全局性的结构近似分析可有效地降低结构分析次数，从而可减少结构优化设计中结构分析所需的计算量。为此，本文开展了基于遗传算法的结构优化设计的研究以及基于人工神经网络的结构近似分析的研究。所做工作主要有如下几方面： 1．构造了一个适应于较少设计变量的优化问题的确定性的遗传算法和一个适应于设计变量不受限制的半确定性的遗传算法。后者利用半确定性的变异操作，Hamming-decreasor，设计变量的自适应定标这三项措施对当前最优个体的邻近区域的集中搜索来提高算法的局部搜索能力。半确定性的遗传算法兼顾了基于概率的遗传算子的全局搜索能力和确定性算子的局部搜索能力，因此具有较强的鲁棒性和较快的计算速度。 2．利用混合近似技术和对偶理论，建立了一般的基于遗传算法的结构优化设计的框架。在此基础上，对几个典型的优化考题进行了计算。数值试验表明，该框架是可行的。 3．对Gaussian型RBF网络隐层单元数及相应误差估计进行了构造性研究，这为提高这类网络的逼近精度，减少计算量提供了理论基础。 4．研究了基于RBF网络的结构近似分析的力学基础。 5．构造了一个基于半确定性遗传算法的RBF网络训练算法，此算法全面地考虑了RBF网络的隐层单元数、网络中心、宽度和权重。从理论上讲，利用该算法能得到最佳的(隐层单元数最少，精度最高)RBF网络。 6．构造了一个整体模拟层次的基于RBF网络的结构近似分析模型，数值试验表明，RBF网络比BP网络等前馈神经网络更适合于用来进行结构近似分析。