کاربرد روزافزون شبکه های عصبی پرسپترون چندلایه (mlp) در حلِّ مسائل مهندسی و سیستم های هوشمند، سبب گرایش محقّقین به سمت ابداع روش های آموزش و طرّاحی معماری کارامدتر شبکه های عصبی شده است. معماری شبکه ی عصبی شامل تعداد لایه های مخفی، تعداد نرون ها در لایه های مخفی و نوع تابع تحریک است و هر یک از این پارامترها بر روی عمل کرد شبکه ی عصبی تأثیر مستقیم و بسزایی دارد. از سوی دیگر، کارایی شبکه های عصبی به وزن های آن نیز وابسته است که این مطلب به نوبه ی خود اهمّیّت فرایند آموزش شبکه ی عصبی را آشکار می کند. تعیین دستی پارامترهای شبکه ی عصبی موجب سختی طرّاحی و هم چنین عدم اطمینان از عمل کرد بهینه ی آن می شود زیرا شبکه ی عصبی با اندازه ی خیلی کوچک بطور کامل قادر به یادگیری تمام داده های آموزشی نیست؛ هم چنین شبکه ی عصبی با اندازه ی خیلی بزرگ، جنبه های نامربوط داده های آموزشی را می آموزد بنابراین بیش برازندگی رخ می دهد. علاوه بر این،متداول ترین الگوریتم آموزشی شبکه های عصبی، پس انتشار خطا است که هم گرایی کند و توقّف در نقاط بهینه ی محلّی از نقطه ضعف های آن است. در این پایان نامه علاوه بر بهبود الگوریتم جست وجوی هماهنگی (hs) جهت جست وجوی قدرتمندتر در فضاهایی با ابعاد بسیار زیاد، برای طرّاحی معماری و آموزش هم زمان شبکه های عصبی چندلایه نیز از آن استفاده شده است. شبکه های عصبی طرّاحی شده با روش پیشنهادی به منظور طبقه بندی مجموعه ی داده های آماده به خدمت گرفته شده اند. نتایج آزمایش های متعدّد و وسیع، حاکی از آن است که روش پیشنهادی در طرّاحی بهینه و خودکار شبکه های عصبی - هم از نظر آموزش و هم از نظر معماری- عمل کرد مطلوبی دارد.