目前人工神经网络、遗传算法是计算智能这门交叉学科的基本内容。针对BP神经网络的不足,将遗传算法和BP神经网络两者有机的融合在一起,可以充分利用遗传算法的全局搜索能力和BP算法的局部搜索能力,加快收敛速度,提高收敛精度。本文首先对人工神经网络(感知器、误差回传神经网络)、遗传算法进行了综述。提出遗传算法与BP神经网络相结合的优化设计方法,然后应用遗传算法对L-异亮氨酸发酵培养基进行优化,并且运用BP神经网络对L-异亮氨酸的发酵过程仿真模拟,取得了良好的效果。优化后的配方实际产L-异亮氨酸16.84g/L,比最初的10种随机配方L-异亮氨酸的最高产酸值13.09g/L提高了28.6%,实际产酸与预测产酸值17.40g/L的误差为3.2%。结果表明,BP神经网络在L-异亮氨酸发酵的模拟与预测中是一种高效、快速的方法.随着实际生产规模的复杂化、多维化和非线性等复杂特性的增加,对生产中高效的优化技术要求也越来越迫切。利用遗传算法和BP神经网络的优点,采用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取,利用BP网络的简单和可塑性强的优点优化样本空间,可以取得整体的优化效率。