امروزه توجه فزاینده به کمبود مواد خام و نقصان شدید منابع انرژی شناخته شده، موجب تمایل به داشتن سازه هایی سبک، کارا و ارزان قیمت شده است. این خواست به نوبه خود بر ضرورت آگاهی یافتن مهندسان از فنون بهینه سازی وزن و هزینه سازه ها تاکید می کند. در سالهای اخیر بهینه سازی سازه ها شاهد تکنیک های جدید و ابداعی طراحی سازه ها بوده است .این روشهای جستجوی تصادفی از ایده های ناشی از طبیعت نشأت می گیرند و مشکلات روشهای ریاضیاتی، همچون پیوستگی تابع هدف، نیازمندی به محاسبه مشتقات توابع هدف وقیود و غیره را ندارند. این در حالیستکه این روشها صرفاً با ارزیابی توابع هدف توانایی یافتن نقاط بهینه کلی را دارند. الگوریتم بهینه سازی اجتماع ذرات (pso) از جمله این الگوریتم ها می باشد. این الگوریتم بر اساس شبیه سازی اجتماعی دسته پرندگان و اجتماع ماهیها، اولین بار در سال 1995 توسط eberhart و kennedy ارائه گردید. این الگوریتم دارای یکسری مزایا می باشد که در مقایسه با سایر الگوریتم ها آن را شاخص تر می کند. از جمله این مزایا می توان به تعداد کم پارامترهای تنظیمی، سادگی کاربرد و برنامه نویسی الگوریتم، سادگی مفاهیم و بدور بودن از پیچیدگی های محاسباتی همچون تبدیل متغییرهای طراحی و غیره میتوان نام برد. اگرچه الگوریتم اجتماع ذرات دارای مزایای فوق می باشد اما یکی از معایب این الگوریتم گرفتار شدن در دام مینیمم های محلی و همگرایی زود رس به مینیم های محلی در طول اجراهای متفاوت این الگوریتم می باشد. در این پایان نامه با مکانیسم های مختلف الگوریتم اجتماع ذرات برای مسائل بهینه سازی سازه های خرپایی تقویت شده است بطوریکه کیفیت ناشی از اجراهای متفاوت آن به طور چشمگیری افزایش یافته است. یکی دیگر از معایب الگوریتم های مبتنی بر پدیده های طبیعی تعداد بسیار بیشتر ارزیابی تابع هدف نسبت به الگوریتم های مبتنی بر گرادیان می باشد. این مساله در بهینه سازی سازه ها که شامل آنالیزهای وقت گیر المان محدود در عوض ارزیابی تابعی چند متغییره می باشد بیش از پیش اهمیت پیدا می کند. در این پایان نامه الگوریتمی ترکیبی از الگوریتم اجتماع ذرات و الگوریتم سرد شدن شبیه سازی شده(sa) پیشنهاد گردیده است. در الگوریتم پیشنهادی، الگوریتم pso با استفاده از تبادل اطلاعات بین ذرات مختلف بهترین نواحی فضای جستجو را می یابد و الگوریتم sa به جستجوی بیشتر در این مناطق می پردازد. در این الگوریتم به جای استفاده از تعداد زیاد ذرات به منظور جستجوی فضای مساله تعداد آنها کاهش داده شده است و در عوض بهترین مناطق یافته شده توسط آنها بیشتر مورد جستجو قرار گرفته است. با کاهش تعداد ذرات در الگوریتم پیشنهادی، تعداد آنالیزهای المان محدود برای دست یابی به جواب نهایی به طور چشمگیری پایین آمده است. این در حالیست که قابلیت اعتماد الگوریتم برای رسیدن به جواب مطلوب افزایش نشان داده است