自计算机与互联网的出现以来,全球的信息技术得以共享并迅速的发展起来,日以万计的新技术、新知识不断的涌现,并被应用到不同的领域之中。各个行业领域的企业都在不断的追逐着信息技术的脚步,以期处于其行业领域的领先地位。那么这种情况势必会导致各个企业之间的竞争变得越来越激烈。任何企业要想在这场激烈的竞争中稳步发展,首先必须掌握其自身的竞争力水平,才能采取正确的措施来增强企业的竞争能力。因此,越来越多的企业开始重视其竞争力的评价研究,建立适当的评价指标体系是研究企业竞争力的根本途径,因此对它的研究显得尤为重要。在评价指标体系建立的过程中,为各个指标设置权重的传统方法主要有：层次分析法、模糊综合评价法、德尔菲法等。这些方法的使用多数是依赖经验,即受人为因素的影响较大,并且不能避免。而且它们都忽略了各个指标与企业竞争力之间所存在的非线性关系,因此结果就难以反映真实的企业竞争力状况。近年来,越来越多的研究者将BP神经网络作为设置权值的一种新方法。因为BP神经网络作为人工神经网络的一个重要的分支,具有自学习与自组织的能力。它利用已有的数据记录,对其本身的网络进行训练,通过输入、输出数据以及期望的输出数据之间的关系,不断的调整网络权值,以完成非线性目标函数的函数逼近。然而,由于BP算法采用的是梯度下降法,预测权值是从某一确定的点开始,即局部最优搜索。那么由于误差函数的复杂性,训练很容易收敛到一个局部极小值点作为网络的权值。虽然局部极小值点也可以在一定程度上逼近目标函数,但它不是最优的权值点,将会造成网络的泛化能力降低。因此,研究者们开始不断的研究神经网络的优化问题。遗传算法是一种仿照生物进化的过程中自然选择与染色体信息交换机制相结合的全局最优搜索方法。即它能够以较大的概率搜索到全局的最优解。那么如果利用遗传算法全局寻优的特点来修正BP网络权值与偏差,是否能够避免BP神经网络陷入局部最小的困境呢?由于神经网络与遗传算法的机理不同,很多研究者对其研究的大部分思路都围绕在各自的领域或将两者结合的使用方法也不尽相同。本文就以用遗传算法优化BP神经网络权值的调整为目的,研究其可行性,并通过实证分析的结果来对其进行论证。本文第一部分主要介绍了选题的背景、意义,神经网络与遗传算法的研究综述以及本文所研究的内容及方法。第二部分描述了BP神经网络算法的详细设计与遗传算法的详细设计。重点阐述了设计的各个步骤并对其中所涉及到的重点内容进行了详细的论述。第三部分阐述了遗传算法优化BP神经网络权值调整的方法原理及算法步骤,并建立起优化模型。第四部分以我国软件外包服务行业为例,在建立符合其特点的评价指标体系基础上,配置改进后的BP神经网络模型的各个参数,使其能够更好的对实例进行训练,得出正确的权值矩阵。第五部分是对建立的优化模型所具有的权值优化能力进行验证。即带入样本数据,分别对未改进的神经网络与改进后的神经网络进行训练,得到的训练结果再与真实的结果进行对比,从而得出两个模型预测能力的优劣。最有一部分阐述本文研究的主要结论以及对未来进一步的研究展望。本文采用遗传算法对传统BP神经网络的权值训练进行优化,更好的完善了传统BP神经网络的功能,使其更好更准确的为各个指标设置权重,从而使指标体系能够更准确的反映出企业的竞争能力。综上所述,遗传算法通过其能够搜索出全局最优解并具有较强的鲁棒性的特点,可以避免传统的BP神经网络易陷入局部最小值的缺点。但是,对于这两种网络本身所需要的参数设定,目前为止没有具体的规律与标准来衡量优劣,但参数的确定又对评价结果有较大的影响,因此我们只能通过实际的问题来确定网络参数。所以如何找出设定参数的规律性还有待去进一步的研究。