近年来人工神经网络发展迅速,成为人工智能重要的研究方向之一。激活函数作为人工神经网络的重要组成部分,也得到广泛的关注。科研人员在科学研究与应用实践中不断改进现有的激活函数,寻找新的激活函数,从而提高人工神经网络性能。目前对于人工神经网络的激活函数,往往选择单一的形式,使用组合激活函数的情况较少,相关研究也比较缺乏。对于不同的激活函数,其非线性表达能力不同,表现在人工神经网络的精度和训练的时间存在差异。因而可以尝试结合不同激活函数各自的非线性优势提升人工神经网络的性能。鉴于此,本文开展了组合激活函数的研究,基于蒙特卡洛方法人工神经网络,利用其网络构造简单和训练灵活的特点,结合人工神经网络常见的预测、回归和分类问题,通过电力负荷预测、心电图导联重建和乳腺癌分类三个实验,对比分析了Sigmoid、Tanh、Gauss、Softplus、ReLU五种单一形式的激活函数,及其等比例组合而成的激活函数对人工神经网络性能的影响。在此基础上,本文利用遗传算法良好的全局搜索能力,给出了一种优化的组合激活函数,并在上述的三个实验中与其他六种激活函数进行了对比分析。实验结果表明,按照遗传算法优化的组合激活函数相比单一形式的激活函数对于人工神经网络在电力负荷预测、心电图导联重建和乳腺癌分类问题的精度都有一定程度的提升。