แบบจำลองโครงข่ายใยประสาทเทียม มีค่าถ่วงน้ำหนักเป็นค่าพารามิเตอร์ที่สำคัญการปรับค่าถ่วงน้ำหนักให้มีความเหมาะสมขึ้นอยู่กับค่าสุ่มเริ่มต้นและวิธีการเรียนรู้แบบต่างๆ เช่น วิธีการเรียนรู้แบบย้อนกลับ (BPNN) ทำให้มีข้อจำกัด คือ อาจได้คำตอบที่เหมาะสมเฉพาะแห่ง (local optimum) ซึ่งไม่ใช่คำตอบที่เหมาะสมโดยรวม (global optimum) กรรมวิธีพันธุกรรม (Genetic Algorithm, GA) เป็นวิธีหาคำตอบที่เหมาะสมโดยรวมจากชุดคำตอบจำนวนมาก ในการศึกษาวิทยานิพนธ์นี้ได้มีการประยุกต์ใช้ GA เพื่อหาค่าถ่วงน้ำหนักที่เหมาะสมของ ANN ได้มีการพัฒนาโปรแกรมคอมพิวเตอร์จำนวน 3 โปรแกรม ได้แก่ BPNNGA+ANN และ GA+BPNN ได้ประยุกต์ใช้โปรแกรมทั้งสามพยากรณ์น้ำท่ารายวันล่วงหน้าจำนวน53 กรณี สำหรับ 6 สถานีวัดน้ำท่าในพื้นที่ลุ่มน้ำปราจีนบุรี จากผลการศึกษาพบว่า ขั้นตอนที่กำหนด คือวิธี Real value coding วิธี Tournamentselection และ Gaussian mutation ขั้นตอนและพารามิเตอร์ที่เหมาะสมผ่านการคัดเลือกของGA คือ สำหรับแบบจำลองขนาดใหญ่ที่มีจำนวนค่าถ่วงน้ำหนักมากกว่า 25 ค่า ใช้วิธี 2-pointcrossover ค่า Probability of crossover (Pc) = 0.1 ค่า Probability of mutation(Pm) = 0.1 และ Population size อยู่ในช่วงระหว่าง 80-100 ส่วนแบบจำลองขนาดเล็กที่มีค่าถ่วงน้ำหนักน้อยกว่า 25 ค่า ใช้วิธี Heuristic crossover ค่า Pc = 0.3 ค่า Pm = 0.1 และPopulation size อยู่ในช่วงระหว่าง 10-20 จากการเปรียบเทียบความถูกต้องพบว่า โปรแกรมทั้งสามให้ค่าความผิดพลาดเฉลี่ยแนกต่างกันน้อย แต่ BPNN ให้ค่าความผิดพลาดอยู่ในช่วงพิสัยค่อนข้างกว้างขึ้นอยู่กับค่าสุ่มเริ่มต้น ส่วน GA+ANN และ GA+BPNN ให้ค่าผิดพลาดอยู่ในช่วงพิสัยค่อนข้างแคบขึ้นอยู่กับค่าสุ่มเริ่มต้นน้อย