神經網絡的設計要用到遺傳算法，遺傳算法在神經網絡中的應用主要反映在3個方面：網絡的學習，網絡的結構設計，網絡的分析。

1．遺傳算法在網絡學習中的應用

在神經網絡中，遺傳算法可用于網絡的學習。這時，它在兩個方面起作用

(1)學習規則的優化

用遺傳算法對神經網絡學習規則實現自動優化，從而提高學習速率。

(2)網絡權系數的優化

用遺傳算法的全局優化及隱含并行性的特點提高權系數優化速度。

2．遺傳算法在網絡設計中的應用

用遺傳算法設計一個優秀的神經網絡結構，首先是要解決網絡結構的編碼問題；然后才能以選擇、交叉、變異操作得出最優結構。編碼方法主要有下列3種：

(1)直接編碼法

這是把神經網絡結構直接用二進制串表示，在遺傳算法中，“染色體”實質上和神經網絡是一種映射關系。通過對“染色體”的優化就實現了對網絡的優化。

(2)參數化編碼法

參數化編碼采用的編碼較為抽象，編碼包括網絡層數、每層神經元數、各層互連方式等信息。一般對進化后的優化“染色體”進行分析，然后產生網絡的結構。

(3)繁衍生長法

這種方法不是在“染色體”中直接編碼神經網絡的結構，而是把一些簡單的生長語法規則編碼入“染色體”中；然后，由遺傳算法對這些生長語法規則不斷進行改變，最后生成適合所解的問題的神經網絡。這種方法與自然界生物地生長進化相一致。

3．遺傳算法在網絡分析中的應用

遺傳算法可用于分析神經網絡。神經網絡由于有分布存儲等特點，一般難以從其拓撲結構直接理解其功能。遺傳算法可對神經網絡進行功能分析，性質分析，狀態分析。

遺傳算法雖然可以在多種領域都有實際應用，并且也展示了它潛力和寬廣前景；但是，遺傳算法還有大量的問題需要研究，目前也還有各種不足。首先，在變量多，取值范圍大或無給定范圍時，收斂速度下降；其次，可找到最優解附近，但無法精確確定最擾解位置；最后，遺傳算法的參數選擇尚未有定量方法。對遺傳算法，還需要進一步研究其數學基礎理論；還需要在理論上證明它與其它優化技術的優劣及原因；還需研究硬件化的遺傳算法；以及遺傳算法的通用編程和形式等。