الگوریتم پس انتشار خطای استاندارد، فقط در فضای وزنهای شبکه با توپولوژی ثابت، عمل جستجو را انجام می دهد. تعداد لایه ها، نرونها و وزنهای شبکه، تاثیر بسزایی بر روی کارایی شبکه دارد. شبکه های خیلی کوچک قادر به یادگیری مساله نبوده و شبکه های با ابعاد بزرگ دچار Overfitting شده و قدرت تعمیم پایینی خواهند داشت، علاوه بر این بسیار کند بوده و پیاده سازی آنها هزینه بالایی خواهد داشت. بنابراین نیاز به الگوریتم هایی داریم که بتوانند بطور اتوماتیک ساختار مناسب شبکه را تعیین کنند. الگوریتم هایی را که تاکنون توسط افراد مختلف، برای تعیین اندازه مطلوب برای شبکه های عصبی ارایه شده است می توان به پنج گروه عمده تقسیم کرد. الگوریتم های هرس، الگوریتم های سازنده الگوریتم های ترکیبی، الگوریتم های تکاملی و الگوریتم های مبتنی بر اتوماتانهای یادگیر. توسط آقایان میبدی و بیگی الگوریتم جدیدی با استفاده از اتوماتان یادگیری مهاجرت اشیا برای تعیین تعداد وزنها طراحی گردیده است. این الگوریتم با حذف وزنهایی که دارای تاثیر کمتری هستند نه تنها باعث کاهش پیچیدگی شبکه می شود، بلکه قدرت تعمیم شبکه را نیز افزایش می دهد. الگوریتم تعیین وزنها با خاموش و روشن کردن وزنها سعی در پیدا کردن وزنهای مناسب دارد. در این الگوریتم ابتدا همه وزنهای موجود در شبکه روشن بوده و به همه وزنها مدتی اجازه داده می شود تا در آزمون شبکه شرکت نمایند. وزنهای روشنی که قدر مطلق مقدار آنها از یک مقدار آستانه ای کمتر باشد جریمه شده و وزن های روشنی که قدر مطلق آنها از یک مقدار آستانه ای دیگر بیشتر باشد پاداش می گیرند. وزنهای روشنی که قدر مطلق مقدار آنها بین دو مقدار آستانه ای قرار بگیرد تغییری در وضعیت آنها ایجاد نمی شود. در مورد وزنهای خاموش نیز وضع بهمین منوال است، وزنهای خاموشی که قدر مطلق آنها کمتر از یک مقدار آستانه ای باشد پاداش می گیرند و وزنهای خاموشی که قدر مطلق آنها بیشتر از یک مقدار آستانه ای باشد، جریمه می شوند. وزنهایی که بین دو مقدار آستانه ای قرار می گیرند تغییری در وضعیت آنها ایجاد نمی شود. مقادیر آستانه ای که در تصمیم گیریها مورد استفاده قرار می گیرد بسیار تعیین کننده بوده و تاثیر چشمگیری در عملکرد شبکه دارد. تعیین مقادیر این بازه ها کار ساده ای نبوده و معمولا با روشهای سعی و خطا و یا با استفاده از تجربیات گذشته تعیین می شود. در این مقاله با استفاده از اتوماتان یادگیر، بازه های تصمیم گیری را تطبیق داده ایم. در الگوریتم پیشنهادی برای پاسخ دادن به اتوماتان مربوط به تنظیم بازه های تصمیم گیری، از معیار خطا کمک گرفته ایم. الگوریتم پیشنهادی بر روی مسایل مختلفی پیاده سازی شده است. نتایج مشابه سازیها نشان می دهد. شبکه های تولید شده توسط الگوریتم بقا موقعیکه بازه های تصمیم گیری تطبیق داده می شوند، دارای تعداد کمتری وزن و نرون در مقایسه با شبکه ایجاد شده توسط اولین نسخه الگوریتم که قبلا گزارش شده است می باشد. نتایج شبیه سازی نشان می دهد الگوریتم بقا تطبیقی دارای همان قدرت تعمیم نسخه غیر تطبیقی می باشد.