由于BP網絡的權值優化是一個無約束優化問題，而且權值要采用實數編碼，所以直接利用Matlab遺傳算法工具箱。以下貼出的代碼是為一個19輸入變量，1個輸出變量情況下的非線性回歸而設計的，如果要應用于其它情況，只需改動編解碼函數即可。
程序一：GA訓練BP權值的主函數
function net=GABPNET(XX,YY)
%--------------------------------------------------------------------------
%  GABPNET.m
%  使用遺傳算法對BP網絡權值閾值進行優化，再用BP算法訓練網絡
%--------------------------------------------------------------------------
%數據歸一化預處理
nntwarn off
XX=premnmx(XX);
YY=premnmx(YY);
%創建網絡
net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},'trainlm');
%下面使用遺傳算法對網絡進行優化
P=XX;
T=YY;
R=size(P,1);
S2=size(T,1);
S1=25;%隱含層節點數
S=R*S1+S1*S2+S1+S2;%遺傳算法編碼長度
aa=ones(S,1)*[-1,1];
popu=50;%種群規模
initPpp=initializega(popu,aa,'gabpEval');%初始化種群
gen=100;%遺傳代數
%下面調用gaot工具箱，其中目標函數定義為gabpEval
[x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,...
  'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);
%繪收斂曲線圖
figure(1)
plot(trace(:,1),1./trace(:,3),'r-');
hold on
plot(trace(:,1),1./trace(:,2),'b-');
xlabel('Generation');
ylabel('Sum-Squared Error');
figure(2)
plot(trace(:,1),trace(:,3),'r-');
hold on
plot(trace(:,1),trace(:,2),'b-');
xlabel('Generation');
ylabel('Fittness');
%下面將初步得到的權值矩陣賦給尚未開始訓練的BP網絡
[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);
net.LW{2,1}=W1;
net.LW{3,2}=W2;
net.b{2,1}=B1;
net.b{3,1}=B2;
XX=P;
YY=T;
%設置訓練參數
net.trainParam.show=1;
net.trainParam.lr=1;
net.trainParam.epochs=50;
net.trainParam.goal=0.001;
%訓練網絡
net=train(net,XX,YY);


程序二：適應值函數
function [sol, val] = gabpEval(sol,options)
% val - the fittness of this individual
% sol - the individual, returned to allow for Lamarckian evolution
% options - [current_generation]
load data2
nntwarn off
XX=premnmx(XX);
YY=premnmx(YY);
P=XX;
T=YY;
R=size(P,1);
S2=size(T,1);
S1=25;%隱含層節點數
S=R*S1+S1*S2+S1+S2;%遺傳算法編碼長度
for i=1:S,
   x(i)=sol(i);
end;
[W1, B1, W2, B2, P, T, A1, A2, SE, val]=gadecod(x);

程序三：編解碼函數
function [W1, B1, W2, B2, P, T, A1, A2, SE, val]=gadecod(x)
load data2
nntwarn off
XX=premnmx(XX);
YY=premnmx(YY);
P=XX;
T=YY;
R=size(P,1);
S2=size(T,1);
S1=25;%隱含層節點數
S=R*S1+S1*S2+S1+S2;%遺傳算法編碼長度
% 前R*S1個編碼為W1
for i=1:S1,
    for k=1:R,
      W1(i,k)=x(R*(i-1)+k);
    end
end
% 接著的S1*S2個編碼（即第R*S1個后的編碼）為W2
for i=1:S2,
   for k=1:S1,
      W2(i,k)=x(S1*(i-1)+k+R*S1);
   end
end
% 接著的S1個編碼（即第R*S1+S1*S2個后的編碼）為B1
for i=1:S1,
   B1(i,1)=x((R*S1+S1*S2)+i);
end
% 接著的S2個編碼（即第R*S1+S1*S2+S1個后的編碼）為B2
for i=1:S2,
   B2(i,1)=x((R*S1+S1*S2+S1)+i);
end
% 計算S1與S2層的輸出
A1=tansig(W1*P,B1);
A2=purelin(W2*A1,B2);
% 計算誤差平方和
SE=sumsqr(T-A2);
val=1/SE; % 遺傳算法的適應值