با توجه به اینکه برای حل مناسب هم? مسائل موجود در بهینه سازی روش واحدی وجود ندارد، روش های متعددی از بهینه سازی برای حل مسائل مختلف پدید آمده اند. یکی از این روش ها، استفاده از الگوریتم ژنتیک است که یکی از اعضای خانواد? مدل های محاسباتی الهام گرفته شده از روند تکامل انسان است. این الگوریتم ها راه های بالقو? یک مسئله را در قالب کروموزوم های ساده کد می کنند و سپس عملگر های ترکیبی را بر روی این ساختار ها اعمال می نمایند. در الگوریتم ژنتیک، قید ها معمولاً با استفاده از مفهوم تابع جریمه مورد بررسی قرار می گیرند. بدین صورت که با جریمه افراد غیر ممکن، از مقدار شایستگی آنها متناسب با درجه تخطی قید ها در جمعیت می کاهد. در بیشتر شکل های جریمه، باید بعضی از ضرایب را در ابتدای محاسبات تعیین نمود که معمولاً این ضرایب دارای مفهوم فیزیکی روشنی نمی باشند. به همین علت، تعیین مقادیر تقریبی این ضرایب حتی با آزمایش نیز تقریباً غیر ممکن می باشد. با این وجود، بیشتر شکل های جریمه از ضرایب ثابت در سراسر محاسبات استفاده می کنند که ممکن است منتج به جریمه خیلی قوی و یا خیلی ضعیف در مدت مراحل مختلف تکامل گردد. در این تحقیق، یک شکل جریمه جدید که مجزا از مشکلات فوق الذکر باشد، توسعه داده می شود. تابع جریمه ارائه شده قابلیت تعدیل خود را در مدت تکامل دارد. همچنین ضرایب استفاده شده در شکل ارائه شده مفهوم فیزیکی روشنی دارند. در این روش سعی شده در حد امکان از اثر استفاده کننده بر روی پارامترهای جریمه کاسته شود. برای نمایش نتایج استفاده از این روش جریمه چند مثال کاربردی بیان شده است. با مشاهده نتایج می توان بهبود در نتایج بدست آمده از این روش را در بهینه سازی سازه های تا حدودی احساس نمود.