神经网络理论是在现代神经科学研究成果的基础上提出来的,它反映了人脑功能的若干特性,但并非神经系统的逼真描述,而只是其简化,抽象和模拟.神经网络是一个非线性动力系统,其特色在于信息的分布式存储和并行协同处理.虽然单个神经元的结构极其简单,功能有限,但大量神经元组成网络系统所能实现的行为却是极其丰富多彩的.它具有很强的容错性和鲁棒性,善于联想,综合和推广,因此它广泛用于人工智能,自动控制,机器人,统计学等领域的信息处理.遗传算法(Genetic Algorithm-GA)是一类借鉴生物界自然选择和自然遗传机理的随机优化算法,是模拟达尔文遗传选择和自然淘汰生物进化过程的计算模型.主要特点是群体搜索策略和群体中个体的信息交换,搜索不依赖于梯度信息.尤其适用于处理传统搜索方法难以解决的复杂和非线性问题.可广泛用于组合优化,机器学习,自适应控制,规划设计和人工生命等领域.该文深入讨论了神经网络与遗传算法理论,同时二者的结合使神经网络的应用更加广泛,人工智能领域也有了新的扩展.该文首先将神经网络控制器应用于生物反应器,对生物细胞生长进行仿真控制研究.在此基础上,该文创新地移入遗传算法来对神经网络控制算法进行改进,包括加入自适应遗传算法,采用遗传算法完全取代神经网络BP算法,对生物反应过程进行模拟仿真控制.最后对神经网络结构设计进行了阐述,提出一系列设计方法,由于神经网络结构的设计没有现成的理论,只能依据专家的经验设计,所以设计比较困难,神经网络结构设计的瓶颈问题是隐含层层数和隐含层神经元个数的确定,该文提出了一种简单的针对异或问题的神经网络结构设计算法,能够同时确定隐含层和隐含层神经元个数,可见遗传算法在神经网络设计问题上有很好的应用前景.