对于在建筑结构中使用的磁流变阻尼器,其特性参数的选择在很大程度上影响到它在使用中的减振效果。因此,如何对一个给定的磁流变阻尼器建模,并对其未知的模型参数进行识别,成为当前磁流变阻尼器研究的一大热点问题。本文针对MR阻尼器的性能影响参数,研究了对其识别寻优的优化算法。全文可以分为三个部分。第一部分是对MR阻尼器进行建模。在众多MR阻尼器的数学模型中,选取了Bouc-Wen模型进行研究。与其它模型相比,这种模型能够较为全面的模拟磁流变阻尼器在各个阶段对建筑结构的减振性能,即在低速时的粘弹性性能以及在高速时的粘塑性性能。因此,Bouc-Wen模型被选取为研究对象,其参数就是需要进行识别的对象。第二部分就是针对于算法的研究。我们对当前应用较广的遗传算法和模拟退火算法进行了理论学习和理解,确定了两种算法在MR阻尼器参数识别问题中的设计要点:对于基本遗传算法,个体参数使用了二进制编码方式,每个参数表现为长度为10的二进制编码串;而分别改变变异概率、交叉概率,则可以得到两种遗传概率与优化结果的关系曲线,最后在此基础上确定基本遗传算法的优良参数。对于模拟退火算法,通过对理论基础的学习,确定了初温确定函数、温度衰减函数以及状态接受函数等设计要点,从而保证了较高的初温、较缓慢的退温速率以及状态遍布解空间。然后基于这些算法运行参数,识别得到了计算结果,通过与实验结果的对比分析,了解了它们各自的优点和缺点:遗传算法具有较强的鲁棒性和并行性,可以保证种群的多样性,但是其本身易产生早熟收敛,会对优化效果有一定的影响;而模拟退火算法除了无条件接受质量较好的解,而且能够以一定概率接受较差的解,保证其解有一定的跳跃性,从而有助于跳出局部最优,而达到全局最优,但是这种算法收敛速度较慢,优化效率较低。第三部分是在前两种算法的基础上,综合得到一种带有模拟退火特征的改进遗传算法。为了克服这两种算法的弊端,提高优化设计的质量和效率,本文尝试把两种算法的各自优点结合起来,即应用这种改进遗传算法解决模型参数识别问题。同样通过前面选择的阻尼器模型,以在VC++开发环境上编写的程序为基础,选择模型中的两个参数进行识别,发现改进遗传算法可以有效地解