در شبكه هاي عصبي پرسپترون چند لايه هميشه تعيين وزن لايه هاي شبكه ازمهمترين موضوعات كه معمولا از روش بك پرو پاگيشن bp استفاده ميشه بدين صورت كه شبكه با مقادير اوليه نتيجه گيزي ميشود (ترنييمگ يا اموزش شبكه)و سپس با بازگشت از اخرين لايه به اولين لايه وزنها بدست مياد همانطور كه در شكل مشخصه
در روشهاي جديد كه در جند تا مقاله خووندم ميشود به جاي روش كلاسيك bp از الگورتيم هاي تكاملي هوشمند وزن شيكه را تعيين كرد.
يادگيري شبکه عصبيدر يک شبکه عصبي منظور از يادگيري، تعيين مقادير بهينه وزنها و ساير پارامتها همچون باياس و شيب تابع تحريک براي داشتن بيشترين کارايي است. در اهداف تقريب تابعي که در آنها شبکه عصبي وظيفه برقراري ارتباط ميان دسته ديتاي ورودي و خروجي را دارد، کارايي شکبه با تعريف خطاي ميان خروجي واقعي و خروجي شبکه براي مجموعه ديتاي آموزش و تست صورت مي‌پذيرد. در يادگيري شبکه هدف کم کردن اين خطا با تغيير مناسب وزنها و ساير پارامترهاي شبکه است. متد رايج در اين شيوه نيز به روش پس انتشار خطا موسوم است. در اين روش که بر مبناي روشهاي مبتني بر گراديان بهينه‌سازي مي‌باشد، وزنهاي هر مرحله از يادگيري از روي وزنهاي مرحله قبل و با يک گام حرکت در راستاي عکس گراديان تابع خطا صورت مي‌پذيرد.
از آنجا که هر نوع يادگيري يک شبکه عصبي به يک مسئله بهينه‌سازي منجر ميشود، بنابراين يک راهکار پيش رو استفاده از روشهاي بهينه سازي تکاملي همچون الگوريتم‌هاي ژنتيک، بهينه‌سازي گروه ذرات و الگریتم رقابت استعماری است. در اين نوشتار از الگوريتم رقابت استعماری برای تعيين وزنهاي شبکه عصبي (یادگیری شبکه عصبی) استفاده خواهد شد. همچنین نتایج حاصل با الگوریتم ژنتیک مقایسه خواهند شد.
