براي آموزش ساختار شبكه عصبي لازم است تابع معيار شبكه كه در واقع خطاي بين مقدار مطلوب و مقدار به دست آمده توسط شبكه عصبي است بر اساس پارامترهاي شبكه بايد مي نيمم شود.

لذا خروجي شبكه عصبي به صورت تابعي از وزنها و باياسها بيان مي شود و سپس به كمك GA مي نيمم مي گردد در اين شبكه عصبي كه ما در اين گزارش استفاده كرديم با 4 نود ورودي و 15 نرون لايه مياني و يك نرون خروجي با در نظر گرفتن باياسها به يك تابع با 90 متغير برخورد مي كنيم.

و ما در يك M فايل شروع به تعريف اين خطا كرديم و سپس تابع GA را فراخواني مي كنيم.

با احتمال جهش 01/0 و احتمال برش 5/0 و با 8 بيت كد كردن GA شروع به مي نيمم كردن تابع هدف شد. آنچه كه حلقه GA را متوقف مي كند تعداد نسلها است. GA با نسل 100ام به كار خود ادامه مي دهد. مشكلاتي كه اين الگوريتم دارد سرعت بسيار پائين همگرائي است. در مقايسه با روش ماركوآرت- لونبرگ كه در اين مسئله سرعت بسيار خوبي داشت، GA واقعاً كند است و زمان مورد نياز براي پايان الگوريتم با يك Pentum 4 تقريباً 6 ساعت است.

اين سرعت پايين در اين مسئله خاص چندان قابل قبول نيست در روش ماركوآرت- لونبرگ ما به خطا  مي رسيم كه همين دقت براي اين مسئله خاص بسيار مناسب است و اين در مقايسه سرعتهاي همگرائي انتخاب بهتري است.

به عبارت ديگر زماني كه ما اين مسئله را با GA حل كرديم و يا با روش ماركوآرت- لونبرگ و يا با هر روش ديگر آموزش جملاتي كه جزء خلاصه بودند در تمام اين روش ها جزء خلاصه قرار داشتند ولي در اين مسئله سرعت همگرائي است كه يك روش آموزش را از روش هاي ديگري برتر مي نمايد.

روش آموزش پس انتشار خطاي ماركوآرت – لونبرگ

الگوريتم آموزشي پس انتشار خطاي ماركوآرت – لونبرگ در سال 1994، [HAME94]، جهت آموزش شبكه هاي عصبي پيشنهاد شد. اين روش تقريبي از متد نيوتون مي باشد كه در ادامه به توضيح آن پرداخته شد ه است.