بنت الهدی حلمی - دانشگاه علم و صنعت ایران، دانشکده مهندسی کامپیوتر، تهران
احسان عادلی مسبب - دانشگاه علم و صنعت ایران، دانشکده مهندسی کامپیوتر، تهران
ناصر مزینی - دانشگاه علم و صنعت ایران، دانشکده مهندسی کامپیوتر، تهران

اجتماع شبکه های عصبی توانایی عمومیت و دقت سیستم کلاس بندی را افزایش می دهد. تکامل عصبی، تکامل مصنوعی شبکه های عصبی با استفاده از الگوریتمهای ژنتیک، نتایج خوبی برای سیستمهای یادگیری پیچیده بوجود آورده است. در روشهای تکامل عصبی موجود، توپولوژی قبل از آغاز تکامل تعیین می شود. پروسه تکامل، فضای وزن اتصالات این توپولوژی کاملاً متصل را جستجو کرده و به شبکه های که علمکرد بهتری دارند اجازه ی تولیدد مثل می دهد و فضای وزنها جستجو می شود. بنابراین هدف روشهای تکاملی موجود ، بهینه کردن وزت اتصالات و در نهایت عملکرد کلی شبکه است . در حالی که ، وزنهای اتصالات تنها عامل تاثیرگذار در رفتار شبکه نیستند . توپولوژی شبکه عصبی و تعیین اتوماتیک یک مجموعه ی مناسب از ورودیها برای شبکه ، انتخاب ویژگیها، نیز روی عملکرد آن تاثیر می گذارد. دراین مقاله ما از NEAT استفاده کرده و ورودی ، توپولوژی و وزنهای شبکه را تحت پروسه تکامل همزمان بهینه خواهیم کرد، بعد از تولید چنین کلاس بندهای شبکه ی عصبی، که با هم در توپولوژی ، وزن اتصالات و مجموعه ورودی متفاوتند، از خروجی این کلاس بندها استفاده کرده و با ترکیب آنها یک خروجی واحد ایجاد می کنیم، آزمایشات نشان می دهد که روش ارائه شده نتایج بهتری نسبت به روشهای موجود بدست می دهد.