结构优化设计出现迄今已有近百年的历史，特别是在过去的四十年内，无论在其理论、算法还是在应用方面都取得了很大的进展。当前，结构优化的研究热点是拓扑优化。拓扑优化是指确定结构单元、节点及内部边界的空间连接方式。其要求结构工作性态良好，结构物有较高的安全度和可靠性。拓扑优化的主要困难在于其可行域的奇异性，该奇异性表现为可行域在某些点维数突变及可行域非连通(而奇异点往往难以被搜索到)，因此拓扑优化也可看作是在非凸可行域的全局最优问题。作为一个全局优化问题，数学规划对其没有特别有效的方法。本文将主要考虑桁架结构的优化问题，首先建立数学模型，即以桁架的横截面积为设计变量、以重量最小为优化目标，位移、应力等可靠性及基频为约束条件；最后，从工程实际出发，对结构系统的可靠性隐形约束进行等价显化处理，使之转化为常规的横截面积优化问题。 本文在研究优化算法发展过程的基础上，分析了典型的优化搜索方法：确定性算法如贪婪算法，随机搜索算法如模拟退火算法，人工智能算法如神经网络及遗传算法，根据桁架结构优化的特点，最终选择以遗传算法作为桁架结构优化设计的主要算法。遗传算法采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行遗传操作(再生、交叉和变异)和优胜劣汰的竞争机制来指导对问题的解空间进行搜索。同时，遗传算法具有不用了解问题本身的全部特征的特点，仅仅通过体现进化机制的演化过程来完成对问题的求解。本文设计了一种基于邻域搜索的自适应演化算法：首先将种群中的个体按适应值分级，实现对种群中的优势个体与劣势个体的分割。其次，对个体进行邻域变异，即对优势个体进行小邻域变异，所得到的子代与父代相似度高，子代个体则能继承父代个体的较多特征信息，以获得优势继承，从而能快速逼近局部最优解；而对劣势个体进行大邻域变异，所得到的子代与父代相似度低，子代个体摒弃了父代较多的特征信息，获得突破，保证了种群多样性，以便发现新的局部最优解。这样，在利用优势个体确定变异方向的同时，借助劣势个体来搜索潜在的优势个体，使得个体变异既能沿着当前种群的优势方向前进，又能跳出局部最优，寻求全局最优，从而成功地克服传统达尔文演化策略的半盲目性。需要特别指出的是，通过该变异算子的作用，可以使算法稳定地收敛到全局最优解。