شبکه ی عصبی مصنوعی شبیه سازی ساده ای از مکانیزم سیستم عصبی بیولوژیکی است که به دلیل قدرت یادگیری مسایل مختلف، تنها بر پایه ی آموزش از طریق ارایه ی الگوهای نمونه ی ورودی-خروجی، بسیار مورد توجه قرار گرفته است. یافتن وزن های مناسب شبکه ی عصبی مصنوعی مهم ترین عامل در یادگیری آن محسوب می شود. الگوریتم پس انتشار خطا به عنوان الگوریتم استاندارد شبکه ی عصبی مصنوعی بسیار کارآمد است، اما به دلیل ماهیت مبتنی بر گرادیان خود، احتمال بالایی برای گیر افتادن در بهینه ی محلی دارد. علاوه بر آن طراحی بهینه ی یک شبکه ی عصبی مصنوعی نیز چالشی دیگر در به کار گیری آن به حساب می آید. طراحی شبکه شامل تعیین ساختار معماری شبکه، توابع فعال ساز نرون های شبکه و قانون یادگیری شبکه است. در این پژوهش از الگوریتم های تکاملی ژنتیک، جستجوی هارمونی و بهینه سازی اجتماع ذرات که توانایی جستجوی عمومی را فراهم می کنند، برای بهینه سازی آموزش و طراحی شبکه ی عصبی مصنوعی استفاده شده است. مقایسه ی کارایی روش های مورد استفاده، از طریق بررسی خطای شبکه ی عصبی مصنوعی در تقریب توابع محک انجام شده است.