模糊神经网络是模糊逻辑推理与神经网络有机结合的产物,是智能复合控制发展的必然趋势.它的学习算法是其理论与应用研究中最关键的一个方面.由于结构学习通常可以转化为参数学习,故模糊神经网络的参数学习问题是一个非常值得研究的课题.模拟自然界生物进化过程的遗传算法,以不受限制性条件约束,具有隐含并行性和全局解空间搜索等的显著特性而成为近年来模糊神经网络参数学习算法中的主要角色.本文在简要介绍模糊神经网络和遗传算法的理论基础之上,针对遗传算法在优化过程中存在的问题,从两个方面对遗传算法做了改进,并将改进的遗传算法应用于模糊神经网络参数学习中.主要内容如下:1.针对遗传算法学习后期,搜索效率低的缺点,利用BP算法的强的局部搜索能力,提出了一种在遗传算法中加入BP算子的改进方法.引入动态交叉率、动态变异率和动态优化的学习率,进一步提高了算法的全局优化性能.通过对模糊神经网络参数的学习验证了算法的优良性.2.针对交叉和变异操作后期产生高适应性个体概率小的缺点,提出了一种全新的改进方法,通过两父代个体之间简单运算代替原有的依靠交叉率和变异率操作的模式.变异操作产生三个子代,使搜索全局最优解的概率大大提高.将改进的遗传算法应用于模糊神经网络参数学习中,验证了它的优良性和适用性.