前向神经网络是一种最基础的神经网络,每一层神经元只与前一层神经元相连,各层之间没有反馈,是目前应用最广泛、发展最迅速的人工神经网络之一。极限学习机（ELM）是一种新颖的前向神经网络算法,通过随机生成网络的输入权值和隐含层偏置,网络的输出权值则是通过M-P广义逆求解得到,在训练的过程中,只需要优化隐含层神经元个数以及选择适合的激活函数。与传统的利用梯度下降算法来调整网络参数的BP算法不同,ELM不再需要反复迭代和大量的参数调节,具有结构简单,学习速度极快,人工干预较少等优势,并且具有良好的泛化性能。在模式识别、疾病诊断、图像质量评估等多个领域广泛应用。但大量研究表明,虽然ELM网络通过随机生成输入权值和隐含层偏置可以极大程度的提升网络的训练速度,但同时也容易生成不好的网络参数,从而影响网络的泛化能力和稳定性。本文通过优化极限学习机的网络参数为例,介绍一种基于类电磁算法优化前向神经网络的研究方法,为了更好的优化网络参数,提出了两种改进的类电磁算法,通过仿真实验和多个数据集的测试,验证了所提算法的有效性和可靠性。本文主要的研究工作如下:（1）类电磁算法的改进在对原始类电磁算法在种群多样性丧失、搜索信息丢失和合力计算冗余等方面的问题进行分析后,通过修改电荷计算公式,提出了一种采用新型电荷计算公式的类电磁算法NEM;通过采用分种群思想优化类电磁算法的迭代机制,提出了分种群类电磁算法SEM。实验结果表明,新的电荷公式提升了种群信息的利用率和种群多样性,改进后的NEM算法获得了更好的收敛精度;引入分种群进化的思想,也有效地降低了算法的计算复杂度。（2）基于改进后的分种群类电磁算法优化前向神经网络为了得到更好的网络参数,采用改进后的分种群类电磁算法去优化前向神经网络的输入权值和隐含层偏置,以极限学习机为例提出了分种群类电磁算法优化的极限学习机SEM-ELM,通过在函数回归拟合和分类数据集上的实验证明,优化后的网络参数提升了网络的预测精度和泛化性能,分种群思想的引入,也大大减少了群智能算法在优化神经网络时的训练时间;最后将SEM-ELM算法应用到手写数字识别中,进一步验证了算法的可靠性和实用性。