产品的可靠性一直是产品设计中首先需要关注的问题,也是决定产品质量和成本的关键因素之一。由于设计过程中存在着大量的不确定性因素,如材料特性、载荷等,所以在设计时必须综合考虑这些不确定性因素,以提高产品的可靠性。基于概率的可靠性理论及基于可靠性的设计优化(Reliability Based Design Optimization, RBDO)能更好地设计、确保产品的可靠性。但是对于复杂产品,往往存在着模型复杂隐式响应、高度非线性,甚至是响应不连续的问题,给可靠性理论和RBDO的研究带来了挑战。本文构建了针对隐式的、不连续的、高度非线性的的RBDO问题的研究体系：提出了基于支持向量机的显示空间解耦法,不但能够解决响应不连续问题,使隐式问题显式化(决策边界可以显式给出),还能解决多约束条件(优化领域)的问题；为了以尽可能少的函数计算次数,如有限元仿真,获得满意的优化结果,提出了自适应采样逐步精细化方法,显式空间分解方法的并行算法；针对RBDO问题的两层嵌套计算的难点,提出了显式空间分解方法序列近似优化方法,使可靠性分析与优化计算解耦并同步收敛；并结合汽车全正碰的基于可靠性的优化实例对提出的方法进行了验证,取得了很好的效果。首先,提出了本文理论方法的总体研究框架和体系。分析了可靠性、设计优化与不确定性的关系,然后对本文研究的问题进行了描述和定义,在此基础上,提出了基于显式空间分解方法的可靠性设计优化研究的总体框架。其次,提出了基于支持向量机的显式空间分解方法的可靠性分析方法。本文以支持向量机对设计配置的响应进行分类,从而显式地构建决策边界(如失效边界、约束边界等),称为显式空间分解方法。为了减少函数计算次数,如有限元仿真,提出了基于自适应采样的逐步精细化策略。将联合概率密度函数值与最大可能失效点、自适应采样点联系起来。可以通过自适应采样点逼近真正MPP点,从而可快速地计算失效概率。接着,提出了显式空间分解方法的并行算法,即将自适应采样的过程并行地分配给多个处理器,再同时计算采样点的响应,如有限元仿真。因为实际工程计算中资源的限制,基于线性相对加速比的假设以及相对效率增加的边际效益,提出了寻求基于给定边际效益的最优处理器个数的方法。然后,提出了基于显式空间分解方法的序列近似优化算法。研究了显式空间分解方法在构建优化问题约束边界的方法。基于自适应采样逐步精细的特点和序列近似优化的思路,失效边界(可靠性领域)和概率约束边界(优化问题)可以采用显式空间分解方法逐步构建。同时,结合泰勒一阶展开式(针对目标函数)逐步构造原RBDO问题的序列近似优化子模型,从而获得原问题的最优解,实现了可靠性分析和优化计算的解耦和同步收敛。随后,将本文所提出的理论和方法,应用于某汽车的全正碰进行应用验证。结果表明本文所提出的方法在汽车设计优化中能够取得期望的效果。最后,总结了本文的主要研究工作,并对今后的工作做出展望。