在建筑结构优化设计中往往存在设计变量离散、部分约束条件难以用设计变量显式表达、目标函数不可导等问题,传统的结构优化设计方法不能很好的解决此类问题。遗传算法作为一种仿生类智能算法,有着良好的适应性,它不依赖于问题的复杂程度,也不需要将约束条件以自变量显式表达,因此能够较好的克服传统优化算法不足。本文在遗传算法基本理论的基础上,结合结构优化设计的特点对基本遗传算法的缺点进行改进,提出了一种改进的罚函数分级遗传算法,该方法根据种群中个体偏离约束条件限值的程度对其进行适当惩罚,能够较好的处理非可行解空间,使得有潜力的非可行解个体能够得到繁衍机会,从而维系了种群个体的多样性;通过对当前种群进行分级、排序操作,保证优秀的个体得到合适的繁衍机会,使得良好的基因能够在迭代中不断进化,结合改进的惩罚函数能够降低陷入局部最优解的概率,增大了全局寻优的能力。改进后的遗传算法有效的改善了基本遗传算法容易局部收敛、收敛结果不稳定等问题。通过三个经典函数DeJong、Shubert和Griewank,验证了改进算法的寻优性能。本文将改进的遗传算法应用到两个经典的结构优化案例—17杆平面桁架结构和72杆空间桁架结构,较其他文献相比,新方法的优化结果更具优势,表明了本文所改进的遗传算法具有更强优化性能,可推广到其他结构形态的优化设计中。已有文献关于遗传算法在结构优化中的应用大多集中在简单的结构形态,这主要是由于每一次遗传迭代所有个体均需要进行有限元分析,计算耗时长,内存消耗巨大,对计算机性能和代码的优化有着很高的要求。本文基于MATLAB平台和SAP2000有限元软件的应用程序接口(API),创建了并行计算环境,有效地解决了智能算法在进行复杂结构优化设计时经常出现的内存溢出和程序崩溃问题。以两个复杂结构—1164杆桅杆结构和5980杆超高层框架结构为案例,进行了抗风结构优化设计,优化结果显示,本文改进的遗传算法及相关技术在大型复杂形态结构上的优化设计方面亦有较好的应用。