بهینه‌یابی وزن سازه به سبب لزوم توجه به اقتصاد پروژه و حفظ منابع فولاد و سایر مصالح هر کشور امری حیاتی بوده تا از اتلاف سرمایه‌ها جلوگیری شود. هدف اصلی این پژوهش، استفاده از الگوریتم‌های توسعه‌یافته اخیر برای طراحی بهینه خرپاهای گنبدی‌شکل باهدف کاهش وزن سازه است که مقدار تابع هدف مسئله (وزن سازه) با الگوریتم بهینه‌یابی باید کمینه شود و قیود فرکانس نیز لحاظ شود. همچنین تأثیر پارامتر‌های ورودی این الگوریتم‌های فراکاوشی بررسی می‌شود چراکه انتخاب پارامتر‌های مناسب از مشکلات اصلی کاربر هنگام استفاده از یک الگوریتم فراکاوشی برای حل مسئله بهینه‌یابی به شمار می‌رود. ازآنجایی‌که همه الگوریتم‌ها پارامتر‌های ورودی دارند که رفتار الگوریتم را مشخص می‌کنند، عملکرد یک الگوریتم تا حد بسیاری به این پارامتر‌ها بستگی دارد. تنظیم مناسب این پارامتر‌ها باعث عملکرد بهتر الگوریتم خواهد شد به‌طوری که در زمان کمتری پاسخ بهتر یا بهینه را خواهد یافت. در این پژوهش الگوریتم‌هایی همچون برخورد اجسام، گرگ خاکستری، گرگ خاکستری بهبودیافته، الگوریتم بر پایه آموزش و یادگیری، جست‌و‌جوی شبکه اجتماعی، تعادل و جست‌و‌جوی عروس دریایی که اخیراً توسعه یافته‌اند، استفاده و تنظیم پارامتر آن‌ها با تحلیل‌های آماری بررسی خواهد شد. این الگوریتم‌ها به غیر از الگوریتم‌های برخورد اجسام و آموزش و یادگیری تا به حال در مسئله بهینه‌یابی خرپاهای گنبدی‌شکل برپایه قیدهای فرکانسی به کار نرفته‌اند. برای تحلیل سازه از روش سختی مستقیم استفاده خواهیم کرد. مدل‌سازی هندسه سازه‌ها در محیط سپ انجام خواهد شد. برنامه تحلیل با زبان پایتون نوشته خواهد شد و با مقایسه نتایج مقالات با خروجی‌های به‌دست‌آمده از صحت عملکرد برنامه اطمینان حاصل می‌کنیم. علت برنامه‌نویسی اختصاصی تحلیل سازه، بی‌نیازی به نرم‌افزارهای تحلیل سازه و نیز افزایش سرعت اجرا و سهولت درک است. همچنین برنامه‌نویسی الگوریتم‌های بهینه‌یابی با پایتون انجام شده است که با ارتباط برنامه‌های تحلیل و الگوریتم‌های بهینه‌یابی به کمینه‌سازی وزن سازه‌ها پرداخته می‌شود. همچنین تاثیر تعداد ذرات و تعداد تحلیل بر عملکرد الگوریتم‌ها ارزیابی خواهد شد. نتایج نشان می‌دهد که الگوریتم‌های گرگ خاکستری و گرگ خاکستری بهبودیافته در مسائل 600، 1180 و 1410 عضوی، الگوریتم آموزش و یادگیری فقط در خرپای 120 عضوی و الگوریتم شبکه‌های اجتماعی برای مسائل با تعداد متغیر پایین عملکرد خوبی داشتند.
