从应用之初到现在BP(Back Propagation)神经网络已经被广泛认为是一种高效网络模型,已经有大量的国内外学者对确定关系的线性函数和非线性函数的逼近做了研究。截至目前,国内外针对不具有明确数学关系的算法模拟研究甚少,基于此本文提出用神经网络对排序算法进行模拟。首先利用BP神经网络对排序算法的实际输出结果进行预测,然后用匈牙利算法和全局贪心两种算法对网络输出结果与输入数据进行平衡匹配,这是排序算法和大多数已有预测模型最大的不同点。实验证明两种算法均对低维数据的排序有更好的效果,且匈牙利算法的排序正确率均不低于贪心算法。针对10维数据经匈牙利算法匹配后排序正确率为75.70%,经贪心算法匹配后排序正确率仅为44.85%。鉴于其对多维数据的排序正确率较低(10维数据排序正确率低于90%),所以本文提出了用匈牙利算法对匹配错误的数据进行再次匹配的优化办法,匈牙利算法和贪心算法的排序正确率均有一定的提升,对于10维数据排序正确率分别为77.70%和76.35%,但是仍不能满足需求。本文对匹配结果进行分析,然后引入了误差补偿,使预测误差比较大的数据匹配得到了改善。实验结果证明,该方法有效提高了排序算法模拟的正确率,对于10维数据排序正确率分别为89.30%和65.35%。其中,再次用匈牙利算法优化后,用匈牙利算法对10维数据进行匹配后,排序正确率达到了90.26%,对更多维的数据,排序正确率也有较大的提升。本文提出的排序算法模拟效果良好,达到了预期的研究目标,对其他算法模拟有一定的指导作用。