Vid designande av artificiella nätverk (ANN) är en viktig fas att identifiera en bra topologi. Topologin har betydelse för hur väl ett ANN klara att klassificera tidigare osedd data och även hur väl ett ANN klarar av att klassificera generellt. Ett sätt att automatisera detta designarbete är att använda genetiska algoritmer. Att använda GA för att evolvera ANN kallas neuroevolution.
Vid användande av neuroevolution sker en automatisering av nätverksdesignen. Men eftersom GA använder en population, d.v.s. en mängd av nätverk i detta fall, och alla dessa nätverk behöver tränas ett antal träningsepoker så blir denna automatisering tids och resurskrävande. Just träningen av ANN har en stor betydelse för hur lång tid evolutionsprocessen tar.
I detta arbete har fyra olika metoder för reducering av träning vid neuroevolution identifierats. Av dessa identifierade metoder har tre metoder ansetts tillräckligt lovande att utföra tester med. Dessa tre kvarvarande har implementerats och testats på två olika problemtyper. Använda testproblem är åtta bitars paritetsproblem och ett klassificeringsproblem rörande klassificering av bilder på träd (tall och gran).
Metoderna har utvärderats teoretiskt och även baserat på resultat från experiment. Som bedömningskriteria har resulterande nätverks klassificeringsförmåga, storlek hos resulterande nätverk och hur stor minskningen av antal använda träningsepoker är.