matlab中遺傳算法的例子 
y=1/x: 
%N=input('設定隱含層神經元個數:\n'); 
%maxecho=input('最大訓練回合數'); 
%網絡初始化 
N=3;%可以自己設定 
maxecho=1000; 
h=0.4;%學習速率 
p=1:1:100; 
t=1./p; 
inw=randn(N,2);%輸入-隱含權值矩陣,單輸入并加上了偏置一列 
ins=zeros(N,1);%隱含得到的誘導矩陣 
outg=zeros(N,1);%反向傳到回至輸入的delta值 
outs=zeros(N,1);%隱含輸出的矩陣 
outw=randn(1,N+1);%隱含輸出權值矩陣(加上一個偏置) 
outv=zeros(1,1);%輸出得到的誘導矩陣 
outy=zeros(1,1); 
backg=zeros(1,1);%反向傳至隱含層的delta值 
m=1; 
n=0; 
%開始樣本訓練 
%for x=1:maxecho 
while(n<=maxecho)%|m>0.2) 
   m=0; 
   for i=1:length(p) 
     ins=inw*[p(i);1]; 
     outs=1./(1+exp(-ins)); 
     outv=outw*[outs;1]; 
     outy=1./(1+exp(-outv)); 
     backg=(t(i)-outy)*(outy.*(1-outy)); 
     outg=(outs.*(1-outs)).*(outw(:,1:N)'*backg); 
     outw=outw+h*backg*[outs;1]'; 
     inw=inw+h*outg*[p(i),1]; 
     m=m+(t(i)-outy)^2; 
   end 
   n=n+1; 
end 
%開始樣本測試 
textp=1:0.1:100; 
textt=1./textp; 
textout=zeros(1,length(textp)); 
error=zeros(1,length(textp)); 
for i=1:length(textp) 
   ins=inw*[textp(i);1]; 
   outs=1./(1+exp(-ins)); 
   outv=outw*[outs;1]; 
   outy=1./(1+exp(-outv)); 
   textout(i)=outy; 
   error(i)=abs(textt(i)-textout(i)); 
end 
%測試完成后,觀察輸出,以及誤差的變化 
k=1:0.1:100; 
plot(k,textt,'r',k,textout,'b',k,error,'g'); 
xlabel(n); 

可以比較清楚的看到一個基本bp算法的過程，當時自己比較得意的就是其中的矩陣相乘。速度很快，而且比較容易擴展，即任意多的輸入，任意多的隱含層。