智能算法从模拟自然界生物体系和人类智能现象出发，用计算机模拟和再现人类的某些智能行为，在改造自然的工程实践中取得了巨大成功。智能算法中的神经网络由于其所具有的很强的自适应性和学习能力、非线性映射能力、高鲁棒性和容错能力等特点而被广泛应用。但神经网络的实际使用中，由于其结构、初始权值、阈值和学习样本等都需要操作者的先前经验来确定和调试，不同的操作者可能得出不同的数据，使得神经网络的实际效果大打折扣，也阻碍了神经网络的推广应用。　　 本文针对神经网络的这些不足提出了一个基于神经网络的复合模型的构想。通过对人类学习过程的分析来推断人脑的大致思维活动，并以此为基础建立了一个基于神经网络的复合模型，该复合模型主要分为工作模块和控制模块两部分，控制模块通过神经网络的学习引入“先验知识”，控制工作模块的工作过程。　　 智能算法和最优化理论是两个相互促进和相辅相成的两个学科。最优化算法实际上就是一个不断迭代寻优的过程。传统的优化算法在迭代过程中存在着一些局限性，搜索较慢。通过在最优化中算法中引入神经网络，减少搜索过程的盲目性，加强其目的性，给予搜索过程以更加明确的指导。　　 在最优化算法中，当搜索方向按照一定的规则确定后，搜索步长就成为影响算法收敛速度的关键因素。而在传统的算法中，步长是通过某个搜索策略或者计算公式得到，无法保证最优。我们通过引入的神经网络智能化确定迭代中的步长，使得最终的迭代速度得到改善。　　 该模型不仅可以使得原问题的收敛速度加快，对于类似问题同样有效。该模型对于存在加速因子且无法确定其具体值的问题都具有积极的指导意义。