神经网络的结构设计一直是神经网络设计的重点和难点,传统的神经网络结构自调整方法并不适合于所有问题。粒子群优化算法(PSO)是近年来被广为关注和研究的一种智能优化算法,该算法操作简单,需要调节的参数少,具有全局搜索能力强和收敛速度快等优点。随着近几年粒子群优化算法的深入研究,用粒子群优化算法优化神经网络结构有很强的可行性和广泛的应用前景。本文的主要工作和创新点如下:(1)系统介绍了BP神经网络的背景及理论,分析了BP算法的缺陷及成因,总结目前已有的BP神经网络结构优化的各种方法。(2)系统介绍粒子群算法的起源、原理、数学描述及协同粒子群优化算法的原理和流程。(3)对基本粒子群优化算法通过差分方程对其收敛性进行分析,并在此基础上确定了参数选择范围。并构造一波动函数模拟最优值动态变化的轨迹。模拟结果表明不同的参数选择对粒子群的探索和开发能力有显著影响。(4)针对协同粒子群易陷入停滞,提出了带有混沌搜索机制的协同粒子群优化算法。通过停滞判断和停滞处理两个环节避免粒子停滞。实验结果表明该算法有利于提高粒子群优化算法性能。(5)将带有混沌搜索机制的协同粒子群优化算法用于神经网络中,调节神经网络结构和参数。采用Iris分类问题作为测试分类性能的基准函数数据集。实验结果显示带有混沌搜索机制的协同粒子群优化算法提高了神经网络的精度和泛化能力。最后,总结了本文的主要工作,提出了进一步的研究问题。