در این پژوهش از شبکه عصبی gmdh robust برای پیش بینی شاخص میزان تولید نسبی در مرغهای مادر گوشتی ( متغیر وابسته)، بر اساس پنج فاکتور تغذیه ای شامل میزان پروتئین مصرفی، میزان انرژی قابل متابولیسم، نسبت کلسیم به فسفر مصرفی، میزان متیونین + سیستئین و لیزین مصرفی ( متغیر مستقل) استفاده شد. داده های مورد نیاز این پژوهش از 21 گله مرغ مادر گوشتی نژاد راس 308 متعلق به سه مزرعه مختلف جمع آوری گردید. الگوریتم ژنتیک اصلاح شده مرتب سازی نقاط غیر برتر، به منظور بدست آوردن ساختار بهینه شبکه بر اساس مینیمم کردن 4 تابع هدف و بهینه سازی معادلات چند جمله ای شاخص میزان تولید بر اساس ورودی های تحت بررسی استفاده شد. بردار ضرایب معادلات درجه دوم مدلسازی از طریق روش تجزیه مقادیر منفرد (svd) محاسبه گردید. برای بررسی توانایی پیش بینی شبکه عصبی، داده های آزمایشی به دو قسمت (آموزش و آزمون) تقسیم و کیفیت برازش مدل ها با استفاده ازمقادیر ضریب تبیین (r2)، میانگین مربعات خطا (mse)، میانگین مطلق درصد خطا (mape) و بایاس مربوط به مدل و آزمون تعیین شد. همچنین از آنالیز حساسیت به منظور تعیین مهمترین متغیرهای تاثیر گذار بر مدل توسعه یافته توسط شبکه عصبی استفاده شد. این مدل بیشترین حساسیت را به ترتیب نسبت به متیونین+سیستئین، لیزین،نسبت کلسیم به فسفر،انرژی و در نهایت پروتئین مصرفی شان داد. نتایج بدست آمده نشان داد شبکه های عصبی مصنوعی از نوع gmdh robust ابزار توانمندی در پیش بینی شاخص میزان تولید نسبی مرغهای مادر گوشتی است. این توانایی را می توان با توسعه مدل های با تعداد نرون های کمتر حاصل از الگوریتم ژنتیک، تخصیص ضرایب چند جمله ای کارآمدتر در شبکه و ایجاد خطای کم در پیش بینی توجیه نمود. نتایج بهینه سازی توسط الگوریتم ژنتیک برای بیان مقادیر بهینه عوامل تغذیه ای به منظور دستیابی به بالاترین عملکرد مرغهای مادر در مقایسه با پیشنهادات پژوهش های پیشین مطلوب بوده و نشان ازکارایی بالای این روش بهینه سازی برای پیدا کردن وضعیت بهینه ورودیها و خروجی مورد استفاده است.