کاربرد شبکه های عصبی مصنوعی در حوزه هایی از قبیل دسته بندی تصاویر و سیگنال های صوتی، مؤید توانایی این ابزار قدرتمند هوش مصنوعی در حل مسائل دنیای امروز است. طراحی و آموزش شبکه های عصبی همواره یک فرآیند زمان بر و مشکل بوده است. یک مدل عصبی مناسب باید بتواند الگوی داده های آموزشی را فراگرفته و نیز قابلیت تعمیم داشته باشد. در این مقاله، از جمعیت های موازی برای طراحی معماری شبکۀ عصبی و همچنین از استراتژی تکاملی برای آموزش آن استفاده شده است، به طوری که در هر جمعیت شبکه ای با معماری خاصی تکامل می یابد. به کمک یک روش انتخاب دومعیاره مبتنی بر میزان خطا و پیچیدگی شبکه ها، الگوریتم ارائه شده قادر است شبکه های ساده با قابلیت تعمیم بالا تولید کند. برای ارزیابی کارایی الگوریتم پیشنهادی از هفت مسأله استاندارد دسته بندی استفاده شده است. روش ارائه شده با روش های تکامل اوزان، تکامل معماری و نیز الگوریتم های تکامل هم زمان معماری و اوزان مورد مقایسه قرار گرفته است. نتایج آزمایش ها کارایی و پایداری این روش را نسبت به روش های مورد مقایسه نشان می دهد. در این مقاله، همچنین تأثیر وجود جمعیت های موازی، روش انتخاب دومعیاره و نیز عملگر ادغام در الگوریتم ارائه شده مورد بررسی قرار گرفته است. از مزایای اصلی این روش بهره گیری از پردازش موازی به وسیلۀ جمعیت های مستقل است.
