如何选择合理的隔震层参数和布置隔震支座是隔震结构设计中的关键问题。目前工程师通常采用试算法,该方法可保证设计满足要求,但无法保证设计为最优。针对此问题,国内外学者提出了各种优化方法进行隔震结构设计,但无论采用哪种优化方法,都需要对隔震结构的各备选方案依次进行时程分析,通常时程分析由单一CPU串行平台的结构动力分析软件（SAP2000、ETABS）完成,整个优化过程所需时间大致为每次时程分析时间的累加,导致优化的耗时较长,限制了优化方法的使用。因此,为提高隔震工程的设计效率及设计质量,本文给出一种机器学习的设计方法,采用粗粒度并行遗传算法和神经网络方法,对隔震层参数进行优化设计,主要研究内容及结论如下:（1）采用粗粒度并行遗传算法,对隔震层参数进行优化设计。利用Python的多进程机制和Python与ETABS的交互,实现CPU各核同时调用ETABS并进行遗传操作。通过一个隔震工程的实例验证,结果表明:采用粗粒度并行遗传算法进行隔震层参数优化,与原设计结果相比,优化后的隔震结构性能更优,同时,用10核CPU计算,与经典遗传算法相比,该方法既能准确求解出全局最优解,又可显著提高优化效率,加速比约为6,基本可满足隔震工程设计的及时性需求。（2）建立一个BP神经网络,用于预测隔震结构动力响应。选取结构总质量、建筑高度等10个结构参数作为输入参数,以水平向减震系数、最大隔震支座位移以及最大层间位移角作为输出参数,建立隔震结构动力响应预测模型。通过14600个隔震结构样本,训练神经网络,通过测试集以及单个结构数据集验证表明:测试集的平均预测准确率为93%,单个结构数据集的预测准确率有所降低,平均预测准确率为90%,但预测效果最差的水平向减震系数达到了89%以上,说明该神经网络模型具有较好的泛化能力,能够准确地预测隔震结构动力响应值。（3）采用隔震结构动力响应预测模型,用以替代隔震层参数优化过程中的ETABS动力时程分析,从而实现基于粗粒度并行遗传算法和机器学习的隔震层参数优化。通过两个隔震工程的实例验证,结果表明:与ETABS精确求解得到的优化结果相比,该方法的优化结果存在较小的误差,两者平均相对误差在10%以内。但采用该方法即可在1分钟内得到最优解,加速比约为300,优化效率得到显著提高,由于无需调用ETABS进行动力时程分析,可以极大降低CPU资源占用率。