遗传算法是近年来在计算机科学领域和优化领域中受到广泛关注的一种拟生物进化理论的仿生学算法。遗传算法作为一种全局优化搜索算法具有简单通用、鲁棒性强、适用于并行处理以及应用范围广等显著特点。但是在求解大规模结构优化问题的时候,遗传算法的每次迭代都需要大量有限元计算以获取其需要的目标函数值,大大降低了遗传算法的运行效率。为了提高遗传算法的运行效率,学者们尝试用结构近似重分析方法代替有限元计算,即建立结构的近似分析模型代替结构的有限元模型来进行优化计算。比较常用的近似分析模型有泰勒基数近似模型、响应面模型、Kriging(克立格)模型,它们都有各自的优点和局限性。本文提出了用支持向量基建立结构近似模型的分析方法。支持向量机(Support Vector Machines,SVM)是由Vapnik等人于上世纪末提出的一种崭新的学习机器,它是统计学习理论的核心部分,是处理小样本学习的有效工具。支持向量机有效克服了神经网络方法收敛慢、解不稳定、推广性差的缺点,近年来受到了很大重视,在模式识别、信号处理、控制、通讯等方面得到了广泛应用,也成为了机器学习领域理论研究的新热点。本文首先对遗传算法及其在结构优化设计应用中的相关内容进行了研究与分析,介绍了遗传算法的发展现状、基本结构、主要特点和改进技术以及结构优化设计的研究背景、发展现状和特点。然后在简单遗传算法的基础之上研究了遗传算法与支持向量机的融合技术,包括如何用支持向量机建立结构的近似模型,例如模型训练样本的选择以及支持向量机的核函数、参数的选择等。通过对十杆桁架以及25杆桁架的仿真计算,验证了本文所提算法的有效性。由于支持向量机具有良好的泛化能力,解决了算法复杂度与输入向量维数密切相关的问题,所以理论上其可以对任何大型结构进行近似建模。本文提出的支持向量机与遗传算法结合的算法为大型结构优化问题提供了一条新途径。