شبکه ‏های عصبی مصنوعی یکی از ابزارهای مهم یادگیری ماشین است که کاربردهای فراوان آن در دنیای امروز مشهود است. عملکرد شبکه ‏های عصبی به نحوه‏ ی آموزش شبکه و طرح معماری آن وابسته است. طراحی معماری شبکه‏ ی عصبی معمولاً توسط فرد خبره انجام می‏شود. در این پژوهش سه الگوریتم برای طراحی معماری و آموزش وزن‏های شبکه توسعه داده شده است. الگوریتم اول قادر به تولید و آموزش شبکه ‏های عصبی پیش‏رو با یک لایه ‏ی مخفی است. این الگوریتم در طراحی معماری، تعداد عصب‏های میانی را تعیین می‏کند و بین لایه‏ های مجاور شبکه ارتباط کامل برقرار می‏کند. الگوریتم ارائه شده دوم، علاوه بر تعیین تعداد عصب‏های لایه‏ ی میانی، ویژگی‏های ورودی مرتبط را انتخاب می‏کند. همچنین نحوه‎‏ی ارتباط بین ورودی‏ها و عصب‏های میانی را تعیین کرده و اوزان شبکه را تنظیم می‏کند. البته این الگوریتم‏ها کاملا از دانش فرد خبره بی‏نیاز نیستند. اما الگوریتم سوم با هدف عدم وابستگی طراحی و آموزش شبکه ‏های عصبی به فرد خبره توسعه داده شده است. معماری شبکه ‏های تولید شده توسط این الگوریتم لزوما دارای ساختار لایه‏ ای مرسوم نیست و عصب‏های میانی می‏توانند دارای هر نوع ارتباطی از جمله ارتباطات بازگشتی باشند. برای ارزیابی الگوریتم‏های ارائه شده از مسائل دسته‏ بندی استاندارد و مقایسه‏ ی نتایج این الگوریتم‏ها با دیگر سیستم‏های تکامل شبکه‏ عصبی استفاده شده است. نتایج آزمایشات، برتری الگوریتم‏های ارائه شده بر الگوریتم مورد مقایسه‏ را در بسیاری از موارد نشان می‏دهد. سهم اجزای الگوریتم‏ها در عملکرد آن‏ها مورد بررسی قرار گرفته و نتایج مشاهدات و تحلیلها در این گزارش آمده است.