1．遺傳算法在網絡學習中的應用
在神經網絡中，遺傳算法可用於網絡的學習。這時，它在兩個方面起作用
(1)學習規則的優化
用遺傳算法對神經網絡學習規則實現自動優化，從而提高學習速率。
(2)網絡權系數的優化
用遺傳算法的全局優化及隱含並行性的特點提高權系數優化速度。
2．遺傳算法在網絡設計中的應用
用遺傳算法設計壹個優秀的神經網絡結構，首先是要解決網絡結構的編碼問題；然後才能以選擇、交叉、變異操作得出最優結構。編碼方法主要有下列3種：
(1)直接編碼法
這是把神經網絡結構直接用二進制串表示，在遺傳算法中，“染色體”實質上和神經網絡是壹種映射關系。通過對“染色體”的優化就實現了對網絡的優化。
(2)參數化編碼法
參數化編碼采用的編碼較為抽象，編碼包括網絡層數、每層神經元數、各層互連方式等信息。壹般對進化後的優化“染色體”進行分析，然後產生網絡的結構。
(3)繁衍生長法
這種方法不是在“染色體”中直接編碼神經網絡的結構，而是把壹些簡單的生長語法規則編碼入“染色體”中；然後，由遺傳算法對這些生長語法規則不斷進行改變，最後生成適合所解的問題的神經網絡。這種方法與自然界生物地生長進化相壹致。
3．遺傳算法在網絡分析中的應用
遺傳算法可用於分析神經網絡。神經網絡由於有分布存儲等特點，壹般難以從其拓撲結構直接理解其功能。遺傳算法可對神經網絡進行功能分析，性質分析，狀態分析。
遺傳算法雖然可以在多種領域都有實際應用，並且也展示了它潛力和寬廣前景；但是，遺傳算法還有大量的問題需要研究，目前也還有各種不足。首先，在變量多，取值範圍大或無給定範圍時，收斂速度下降；其次，可找到最優解附近，但無法精確確定最擾解位置；最後，遺傳算法的參數選擇尚未有定量方法。對遺傳算法，還需要進壹步研究其數學基礎理論；還需要在理論上證明它與其它優化技術的優劣及原因；還需研究硬件化的遺傳算法；以及遺傳算法的通用編程和形式等。