شبکه های عصبی مصنوعی پرسپترون چند لایه امروزه در حل بسیاری از مسئله های غیر خطی مورد توجه قرار گرفته است. برای آموزش شبکه های عصبی پرسپترون چند لایه، بروز رسانی وزن های سیناپسی و انتخاب ورودی های بایاس از اهمیت فراوانی برخوردار است. روش های بسیاری در آموزش این نوع شبکه ها به کار گرفته شده است. روش کاهش گرادیان یکی از این روش ها است، اما این روش با مشکل به دام افتادن در بهینه های محلی مواجه می باشد. الگوریتم بهینه سازی جاذبه ای ، یک الگوریتم تکاملی است که از نیروی جاذبه در فضا و حرکت سیارک ها به سوی اجسام بزرگ تر در اثر نیروی جاذبه، الگو برداری شده است. الگوریتم بهینه سازی جاذبه ای همانند سایر الگوریتم های تکاملی، به دلیل اینکه از چندین نقطه، جستجو در فضا را آغاز می نماید، احتمال کمتری برای به دام افتادن در بهینه های محلی دارد. همچنین سیارک ها، در هنگام نزدیک شدن به سوی اجسام بزرگ تر، رفتاری شبیه قلاب سنگ داشته و از گرفتار شدن در بهینه های محلی فرار می کنند. این خاصیت باعث می شود که این روش، راه حل مناسبی برای مسئله هایی باشد که بالقوه دارای امکان به دام افتادن در بهینه های محلی هستند. در این پژوهش، شبکه های عصبی پرسپترون چند لایه با استفاده از بهینه سازی جاذبه ای آموزش داده شده و وزن های سیناپسی و ورودی های بایاس شبکه به گونه ای بهینه شده است تا میزان خطای شبکه کاهش یابد. در سنجش و ارزیابی این پژوهش، از سه مجموعه داده پایگاه uci استفاده شده و نتایج این روش با نتایج روش کاهش گرادیان مقایسه شده است. نتایج این پژوهش نشان می دهد که آموزش شبکه های عصبی پرسپترون چند لایه با استفاده از روش بهینه سازی جاذبه ای در بهینه های محلی به دام نمی افتد و قدرت تعمیم شبکه را نیز بهبود می بخشد.