با توجه به توانایی های شبکه های عصبی مصنوعی، کاربرد آنها در علوم مختلف و مهندسی گسترش قابل ملاحظه داشته است . در این پایان نامه کاربرد شبکه های عصبی در بهینه سازی سازه ها مورد توجه بوده است . در بهینه سازی سازه ها بواسطه تغییر متوالی متغیرها، تحلیل سازه در دفعات صورت می گیرد که این امر موجب افزایش محاسبه می گردد. برای کاهش این زمان می توان از شبکه های عصبی بعنوان یک تحلیل کننده سریع سازه در بهینه سازی سازه ها بطور مطلوب استفاده نمود. دو نمونه از شبکه های عصبی مصنوعی که در رشته مهندسی در تقریب توابع بکار گرفته می شوند عبارتند از: شبکه عصبی انتشار برگشتی و شبکه عصبی انتشار متقابل. یکی از معایب عمده شبکه عصبی انتشار برگشتی در بهینه سازی سازه ها، سرعت کند همگرایی این شبکه است . این مشکل زمانی بیشتر مشهود می گردد که مسائل با مقیاس بزرگ مورد بررسی قرار می گیرند. زیرا در این مسائل تعداد واحدهای ورود و خروجی به تعداد قابل ملاحظه افزایش می یابد. برای بهینه سازی موثر سازه شبکه عصبی با سرعت آموزش بالا مورد نیاز است که بتوان پس از آموزش از آن بعنوان یک تحلیل گر سریع استفاده نمود. بدین منظور اصلاحاتی بر روی شبکه انتشار متقابل انجام گردیده است که بکارگیری آن منجر به سرعت زیاد آموزش و پاسخ شبکه با خطای قابل قبول شده است . در این تحقیق دو شبکه عصبی مصنوعی آموزش داده شده اند که شبکه اول برای قیود و شبکه دوم برای مشتقات قیود مورد استفاده قرار گرفته است . این شبکه های عصبی آموزش داده شده با پاسخ سریع، نیاز بهینه ساز به قیود و یا مشتقات مربوطه را تامین می نماید. روش اراده شده کلی بوده و قابل استفاده در خرپاهای مستوی و فضایی می باشد و در مقایسه با روش های متداول منجر به نتایج بسیار مطلوب شده است . توانایی های نرم افزارهای تهیه شده با اراده چند مثال عملی با روشهای کلاسیک بهینه سازی مورد ارزیابی قرار گرفته است .