本文分别对模拟退火算法和遗传算法作了相应的改进，并与动态神经网络相结合，建立了相应的网络模型，对目标优化问题进行了研究，将改进的模拟退火算法和遗传算法分别应用于对单目标、多目标函数以及具有NPC复杂度的TSP问题进行了优化。实验结果表明了改进的方法是可行的、有效的。具体如下： 1、通过对模拟退火算法的研究，分析了造成标准模拟退火算法收敛速度慢的原因，提出了一种变系数修改动态神经网络连接权值和阈值的方法，使得神经网络具有更快的收敛速度。并分别应用标准模拟退火算法和改进模拟退火算法对一些函数以及经典的问题进行了对比实验，实验结果表明了这种方法比起标准的模拟退火算法，无论是计算次数还是收敛速度都有很大的提高。 2、分析了遗传算法在进行交叉操作时存在不足，指出标准遗传算法在进行交叉操作时并不能保证新个体的遗传基因优于父代个体，甚至导致新个体被淘汰。提出了一种人工控制遗传算法，该种改进能够保证交叉操作沿着最优化方向进行，从而提高算法的收敛速度，实验结果也证明了改进的遗传算法的是有效的。 3、将遗传算法和模拟退火算法相结合，在遗传算法的选择过程中引入模拟退火的选择策略，将传统的选择方法演化为随退火温度降低而变化的动态选择策略，提出了一种模拟退火遗传算法，有效地防止了遗传算法的“未成熟收敛”和“遗传漂移”现象。