摘  要
遗传算法是近年来智能信息处理领域发展起来的热门学科之一，是处理传统搜索方法难以解决的复杂和非线性问题的有力工具之一。它在组合优化、机器学习、自适应控制、规划设计和人工生命等领域发挥了重要作用，已成为许多科学领域的重要研究课题，并以它特有的优势受到高度的重视。
本文对神经网络和遗传算法的研究历史、现状和发展趋势进行了综述，阐述了人工神经网络和遗传算法的基本概念、基本模型、算法。研究并实现了以遗传算法为基础的前向型神经网络优化算法。实现过程中，先用BP算法和遗传算法分别对网络进行优化，然后对这两种算法都进行了改进。在此基础上，结合BP操作数在解点附近能快速、精确地收敛的特点和遗传算法的杂交、变异选择操作数在全局变量空间能以较大概率搜索全局解的特点，提出了BP-遗传算法。实验结果都证明：BP-遗传算法全局收敛速度快，优化出的网络具有很强的稳定性，具有较强的推广能力。

关键词：遗传算法；前向型网络；权值优化；鲁棒性；稳定性
 
Abstract
Genetic Algorithm is one of the pop subjects growing in the field of intelligent information management in recent years. It is one of the most powerful tools used to deal with the complex and nonlinear problems, which is difficult for traditional search methods. It plays an important role in many fields such as combination optimization, machine study, adaptive control, programming design and artificial life. It has been an important research subject in many fields of science and been attached high importance for it's particular predominance.
In this article, the history, status in quo and developing trend of the research of the Genetic Algorithm are been summarized, and the basal concepts, the basal models and algorithms of Artificial Neural Network and the Genetic Algorithm are been expatiated. We researched and realized the optimized algorithm of Forward Neural Network based on the Genetic Algorithm. In the process of realization, we firstly optimize the net with the BP Algorithm and the Genetic Algorithm, then improved both of them.
Based on these, combining the characteristic of the BP Algorithm and the characteristic the Genetic Algorithm, we put forward the BP-Genetic Algorithm. The following are been proved by the result of experiments: the BP-Genetic Algorithm has a high global convergence speed, and the optimized net has a very strong stabilization and strong ability to generalize.

Key words: Genetic Algorithm; Forward Neutral Network; Value Optimization; Robustness; Stabilization

目  录
前  言 1
第一章  神经网络及遗传算法概述 2
1.1 人工神经网络概述 2
1.2 遗传算法概述 7
1.3 BP-遗传结合算法 9
第二章  总体设计 12
2.1 系统开发环境 12
2.2 Borland Delphi7.0简介 12
2.3 系统功能设计 13
2.4 界面设计 15
2.5 编程结构安排 17
第三章  详细设计 19
3.1 BP算法 19
3.2 遗传算法 21
3.3 BP-遗传结合算法 29
3.4 写算法参数 29
3.5 优化结果显示 31
3.6 其它 31
第四章  测试 33
4.1 测试结果横向分析 33
4.2 测试结果纵向分析：三种算法的比较 33
第五章  实现过程中的技术改进 35
5.1 对基本BP算法的改进 35
5.2 针对遗传算法运行后期随机漫游现象采取的措施 35
5.3 画图的改进 36
5.4 数据检验 37
5.5 代码的优化 37
结  论 38
致  谢 39
参考文献 40

前  言
生命科学与工程科学的相互交*、相互渗透和相互促进是近代科学技术发展的一个显著特点，而遗传算法的蓬勃发展正体现了科学发展的这一特征和趋势。
遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的[1]。众所周知，在人工智能领域中，不少问题需要在复杂而庞大的搜索空间中寻找最优解或准最优解。若不利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。因此，研究能在搜索过程中自动获取和积累搜索空间的知识，并自动适应控制搜索过程，从而得到最优解或准最优解的通用搜索算法一直是令人瞩目的课题。遗传算法就是这种特别有效的算法。它的主要特点是简单、通用、鲁棒性强，适用于并行分布处理，应用范围广。尽管如此，遗传算法本身在理论和应用方法上仍有许多待进一步研究的问题。此次毕业设计准备实现遗传算法，并对之进行改进。
 
第一章  神经网络及遗传算法概述
1.1 人工神经网络概述[2]