实际结构的功能函数往往不能明确给出，既限制了用一次二阶矩法分析结构可靠度；也造成使用蒙特卡洛抽样法估计失效概率时，需要大量的有限元模拟计算。为改进这一状况，本文用神经网络和遗传算法模拟隐式功能函数，然后对完成训练的神经网络进行蒙特卡洛抽样分析其可靠性。文中先用神经网络和遗传算法模拟了2个显式功能函数，证明了本文所用方法对功能函数的模拟能力。本文的创新点和主要内容如下：　　一、神经网络和遗传算法结合优势互补　　BP神经网络的训练基于梯度下降理论。该算法的缺陷是网络的训练结果和初始点的选择有关，不合适的初始点会导致网络陷入局部最小点而非全局最小点。遗传算法采用全局搜索，它的计算结果和初始种群的选取没有关系，但是遗传算法在搜索的后期会在目标值附近震荡，很难收敛到准确值。基于神经网络长于局部搜索短于全局搜索，遗传算法长于全局搜索而短于局部搜索的特点，本文将BP神经网络和遗传算法相结合，让两者优势互补。首先利用遗传算法的全局搜索能力得到BP神经网络的初始权值和阀值，避免BP神经网络的训练结果陷入局部最小点；然后再用样本训练BP网络，得到最终的权值和阀值，既而完成对隐式功能函数的模拟。　　二、样本的选择和处理　　样本是神经网络学习的源泉，样本所含信息的数量和准确性决定了网络的训练效果。目前，网络样本大多是按照随机变量的概率特征产生随机数，但是这些随机数会比较集中在均值附近，导致网络不能学习到远离均值的实验范围内的信息。针对这一问题，本文运用均匀设计表指导样本的选择，经过对比证明后者可以使样本点均匀的分散在试验范围，包含更多信息，使网络达到从尽量少的样本中获取更多信息的目的。另外在网络训练之前，对样本进行了归一化处理，均衡了各个样本对训练结果的影响。　　三、采用MATLAB编程平台　　选择MATLAB作为实现遗传算法与神经网络的结合模拟隐式功能函数和蒙特卡罗抽样的编程平台，不仅因为MATLAB具有强大的矩阵计算能力和数据可视化的特点，更重要的是由于MATLAB中强大的神经网络和遗传算法工具箱，给编程带来极大的方便。