进化计算是借鉴生物自然选择和遗传机制而产生的一类随机搜索算法，主要包括遗传算法、进化规划、进化策略。人工神经网络是源于人脑神经系统的一类模型，是模拟人类智能的一条重要途径，具有模拟人的部分形象思维的能力。虽然进化计算和神经网络都是借鉴生物个体或生物界的某些行为特征和结构属性而发展起来的人工智能方法，但两者的侧重点有所不同。神经网络偏重于对生物个体学习智能的描述，进化计算则是对生物遗传进化的模拟。神经网络与进化计算相结合，将使神经网络同时具备学习和进化的特征，从而表现出更加完备的智能特性。 作者在论文期间的工作主要集中在以下几个方面： 介绍了进化策略的基本理论与技术。阐述了最初的进化策略，它的发展，以及进化策略经常采朋的操作算子。 如何保持种群的多样性一直是进化算法的一个研究主题。基本的进化计算在实际应用中常常会遇到过早收敛或仅得到局部最优解的问题，这是因为一般的选择操作使得种群中的优秀个体大量繁殖后代，致使大量相似的个体在种群中占有极大的比例，导致种群缺乏多样性。为了克服进化计算存在的这一缺陷，文中对基本的进化算法作以改进，使劣质个体与优秀个体能够共同参与到进化过程中，从而使个体的有利信息能够传给后代，增强种群的多样性。将改进的进化策略用于求解有约束和无约束函数优化问题，实例仿真表明改进的进化策略具有很好的可行性和实用性。 人工神经网络是越来越得到广泛应用的新兴学科，但目前主要采用的BP算法极易陷入局部最优，使其的应用受到很大的限制。本文利用进化策略同时优化神经网络的结构与连接权，得到了很好的效果。