Elman神经网络具有良好的动态特性和强大的全局稳定性，被广泛用于处理非线性，动态和复杂的数据。 但是，作为对反向传播（BP）神经网络的优化，Elman模型不可避免地会继承其某些固有缺陷，从而影响识别精度和操作效率。 已经提出了许多改进来解决这些问题，但是事实证明很难平衡许多相关特征，例如存储空间，算法效率，识别精度等。而且，很难同时从临时解中获得永久解。 为了解决这个问题，可以将遗传算法（GA）引入Elman算法以优化连接权重和阈值，从而可以防止神经网络陷入局部最小值并提高训练速度和成功率。