BP神经网络是人工神经网络中的一种,现已被广泛应用于分类和逼近问题中,在面对数据密集型训练时,存在大量的时间开销。为此,有必要并行化BP神经网络的训练,以提高其训练效率。MapReduce是一种基于数据并行的计算模型,可用于BP神经网络训练的并行化。由于在MapReduce训练过程中,Map任务训练结果只能对于接收到的输入分片达到局部收敛,且在Reduce任务中,传统的加权平均方法也无法保证训练能够朝着全局收敛的方向进行。因此,解决上述问题是提高BP神经网络MapReduce训练效率的关键。针对上述问题,提出两种不同的策略。第一种策略首先基于对训练样本集的系统抽样来产生扰乱的新输入分片,这些输入分片将使用原权阵进行迭代训练,来加快Map任务产生全局收敛结果的速度;为提高Map训练任务的局部收敛速度,在每轮次的训练完成后,选取所有Map任务产生的权阵中全局误差最小者,作为下轮次各Map训练任务的初始权阵。第二种策略将各Map任务产生的局部收敛权阵作为初始种群,在Reduce任务中应用遗传算法对初始种群进行进化,从而保证Reduce任务中的训练可以朝着全局收敛的方向进行,同时选取适应度最高的权阵作为下一轮次MapReduce迭代时Map任务的初始权阵,来加快Map任务达到局部收敛的速度。仿真实验表明,本文提出的两种策略均可以实现单次训练时间以及训练所需总的迭代次数的减少,同时随着集群的增长,两种策略均具有良好的可扩展性。