近年来用遗传算法解决神经网络的优化设计问题受到广泛重视,尤其在预测领域的应用。本文将就这一课题进行进一步地研究和探索,充分利用遗传算法的全局搜索特性,达到对前馈神经网络最优化设计的目的,从而最终预测结果。为此,本文选择适用性强的三层前馈神经网络作为优化设计对象,提出了一种具有综合控制策略的遗传算法,同时考虑编码方案、适应度函数设计、初始群体的设定和遗传操作等各环节对遗传算法收敛性能的影响,形成更高效的神经网络训练算法。1. 选择实数编码方式,缩短个体编码的长度,将网络结构及权值同时进行编码;2. 设计能正确表现神经网络性能的适应度函数:以样本的逼近精度为主体,同时考虑网络结构对神经网络泛化性能的影响;3. 保证初始种群的多样性及均匀分布性:一部分个体的权值用零均值的正态随机向量表示,另一部分个体用权值选择范围内的随机向量表示;4. 设计并改进了适用于实数编码遗传算法的进化算子,避免早熟收敛现象的发生。将以上算法思想在Visual Studio.Net环境中实现,并用一个非线性函数逼近的例子来验证用本文算法优化设计前馈神经网络的高效性,通过改进前后的BP算法对比,得出以下结论:该算法能快速有效地确定神经网络的结构及权值,并且训练后的神经网络具有较好的泛化能力。