针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题，提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中，PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定，模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整，仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案，仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。

评述量子计算的历史、研究现状以及进一步发展的方向。着重论述量子算法的机理，对已知量子算法特征进行总结分析；归纳量子计算与经典智能计算的结合模式，比较其与传统智能计算的异同。在总结量子计算存在问题的基础上，探讨了今后的研究方向。

神经网络和遗传算法在水科学领域的应用 苑希民著 中国水利水电出版社, 2002

神经网络和遗传算法的经典论文，对初学者有很大帮助

将反馈型(BP)神经网络和遗传算法(GA)相结合用于激光多层熔覆厚纳米Al2O3-13%TiO2(质量分数)陶瓷涂层的工艺参数优化，根据3因素3水平正交试验结果对神经网络模型结构进行训练，建立了熔覆工艺参数(熔池闭环控制温度、超声振动频率及保温箱预热温度)与涂层性能(结合强度和显微硬度)之间的遗传神经网络预测模型。在此基础上，采用遗传算法对纳米陶瓷涂层结合强度和显微硬度进行了单目标和多目标参数优化。结果表明，遗传神经网络模型预测值与试验值误差较小，相对误差不超过2.5%。遗传算法优化的涂层最大结合强度和显微硬度分别为70.7 MPa和2025.5 HV；在结合强度和显微硬度两者权重相同的情况下，当熔池闭环控制温度为2472.0 ℃、超声振动频率为31.9 kHz和保温箱预热温度为400 ℃时涂层综合性能最优，对应的结合强度和显微硬度分别为69.1 MPa和1835.5 HV。

乒乓球 使用神经网络和遗传算法的乒乓球人工智能。 该程序的图形从 您可以从头开始观看AI训练（run.m），也可以只运行预训练的模型（run_pretrained.m） 运行run.m时，它会不断显示每个​​染色体的新图形，因此，如果您不想被图形分散注意力，则应将其停靠。 首先，键入以下命令： figure 然后，停放该图： ://stackoverflow.com/questions/8488758/inhibit-matlab-window-focus-stealing（texnic的答案） 然后，键入以下命令： set(0, 'DefaultFigureWindowStyle', 'docked'); 然后运行文件。 run_pretrained.m也是如此 PingPongGANN中使用的算法 在这里，我使用遗传算法训练一个神经网络，该网络将玩乒乓球游戏。

提出了一种新颖的基于人工神经网络(ANN)和遗传算法(GA)的激光器参数全局优化方法,建立激光器输出功率的人工神经网络模型,来模拟激光器参数对输出功率的综合影响机理,进而以该模型作为目标函数,采用遗传算法对激光器参数进行全局优化。以平凹腔单横模氦氖激光器为例验证了该方法的可行性和有效性。对相同参数的激光器,人工神经网络模型的仿真数据与实验数据的均方根误差为0.0127 mW。应用该方法对其他参数全局优化后激光器预期输出功率比实验室已有的同等尺寸的激光器大,说明了该方法的有效性。

用遗传算法为 BP 神经网络优化权值，使网络具有快速学习网络权重的能力，并且能够摆脱局部极小点的困扰。遗传算法的全局搜索能力来弥补BP算法全局搜索能力不足，实例证明，这种预测模型比BP网络预测模型具有更高的精度。

遗传算法bp神经网络优化,遗传算法优化BP神经网络预测,matlab源码.zip

人工智能和遗传算法的结合，进展及展望，适合对人工智能和遗传算法有一定的基础知识的初学者。