عیب یابی یکی از شاخه های کنترل سلامت سازه ها می باشد. در این پژوهش پاسخ انواع الگوریتم های هوش مصنوعی شامل ماشین بردار پشتیبان، شبکه عصبی، منطق فازی و نزدیکترین همسایگی و ترکیب آنها با الگوریتم های بهینه سازی همچون جامعه پرندگان و جستجوی هارمونی در عیب یابی سازه ها مقایسه می گردد. بعلاوه بمنظور بهبود عملکرد محاسباتی الگوریتم جستجوی هارمونی، الگوریتم ترکیبی تکاملی جدیدی با استفاده از ترکیب این الگوریتم با الگوریتم جامعه پرندگان پیشنهاد شده است. نتایج بیانگر دقت بالای ترکیب الگوریتم های هارمونی-پرندگان و ماشین بردار پشتیبان حداقل مربعات در عیب یابی سازه ها می باشد. یکی از معایب استفاده از الگوریتم های هوش مصنوعی در عیب یابی سازه ها دقت پایین آنها در شناسایی خرابی در صورت وجود چندین المان معیوب در سازه می باشد، این مشکل ناشی از افزایش ابعاد ماتریس آموزشی الگوریتم می باشد، برای رفع این مشکل در این پژوهش، ابعاد داده های آموزشی الگوریتم ls-svm با روش های مختلفی شامل خوشه بندی فازی، خوشه بندی k-means، آرایه های متعامد، نمونه گیری lhs ، الگوریتم های بهینه ساز وانرژی کرنشی مودال، کاهش داده شده است. نتایج نشان دهنده آن است که استفاده از روش دو مرحله ای مبتنی بر انرژی کرنشی مودال و ماشین بردار پشتیبان دقت بالاتری در این زمینه دارد. همچنین در این پژوهش، به منظور افزایش دقت ماشین بردار پشتیبان حداقل مربعات در عیب یابی سازه ها، کرنل ترکیبی جدیدی برای این الگوریتم پیشنهاد گردیده است. این کرنل از ترکیب موجک مادر littlewood-paley و تابع بنیادی شعاعی thin plate spline ایجاد شده است. به منظور بهینه سازی پارامترهای کرنل پیشنهادی از الگوریتم ترکیبی تکاملی پیشنهادی، استفاده گردیده است. برای ارزیابی کارایی کرنل جدید، عیب یابی چندین سازه مورد بررسی قرار گرفته و نتایج بیانگر دقت و سرعت بیشتر کرنل جدید نسبت به سایر کرنل های استاندارد و ترکیبی ماشین بردار پشتیبان می باشد. کلمات کلیدی: عیب یابی سازه ها، هوش مصنوعی، ماشین بردار پشتیبان حداقل مربعات ، کرنل ترکیبی، الگوریتم تکاملی هارمونی-پرندگان