یکی از روش های تشخیص الگو،استفاده از شبکه های عصبی می باشد.ما در این پایان نامه از شبکه grnn برای تشخیص الگو استفاده می کنیم.grnn یکی از انواع شبکه های برپایه شعاع و یک ابزار رگرسیون قوی می باشد. grnn مقدار یک یا بیشتر متغیر وابسته را، با گرفتن مقدار یک یا بیشتر متغیر مستقل پیشگویی می کند. برای بهینه سازی شبکه grnn ، می توان از الگوریتم های بهینه سازی مختلفی استفاده کرد.ما در این پایان نامه از الگوریتم رقابت استعماری برای بهینه سازی grnn در تشخیص الگوها، استفاده می کنیم.دراین پایان نامه مراکز grnn و مقدار گستردگی شبکه، در یک کشور کد می شوند و این دو پارامتر حیاتی ،توسط الگوریتم رقابت استعماری بهینه می شوند. ابتدا تعدادی از الگوهای مجموعه داده به صورت تصادفی به عنوان مراکز grnn انتخاب شده و کشورهای اولیه را تولید می کنند، و سایر الگوها به عنوان مجموعه تست درنظر گرفته می شوند.سپس الگوریتم اجرا می شود.در هر چرخه از الگوریتم، امپراطوری را که الگوهای بیشتری از مجموعه تست را به درستی تشخیص می دهد، به عنوان قویترین امپراطوری در نظر می گیریم.زمانی که تنها یک امپراطوری باقی ماند،الگوریتم متوقف می شود وآن امپراطور،به عنوان جواب بهینه انتخاب می شود. مقادیر ذخیره شده در امپراطور نهایی، مراکز grnn و مقدار گستردگی بهینه را تعیین می کند. نتایج به دست آمده نشان می دهد که grnn بهینه سازی شده با این الگوریتم،دارای دقت بالایی در تشخیص الگو می باشد.