چکیده: امروزه شاهد جمع‌آوری داده‌های فراوانی در زمینه‌های مختلفی از جمله پزشکی، تجاری و صنعتی هستیم. این داده‌ها برای مقاصد گوناگونی گردآوری می‌شوند. یکی از اهداف مهم جمع آوری داده‌ها، تحقیق روی آن‌ها برای بدست آوردن نتایج و الگوهای مفید موجود در آن‌ها است. پیچیدگی و حجم زیاد داده‌ها، موجب سردرگمی در تحلیل این داده‌ها شده است. از این رو، روش‌های داده‌کاوی متعددی برای تجزیه و تحلیل داده‌ها ارائه شده است. استخراج قانون یکی از کاربردهای مهم داده‌کاوی برای کشف دانش و روابط بین داده‌ها است. استخراج قانون به کمک ابزارهای مختلفی مانند شبکه‌عصبی، درخت تصمیم و ماشین بردار پشتیبان انجام می‌شود. شبکه‌عصبی، به دلیل عدم نیاز به دانش اولیه در مورد داده‌ها و داشتن دقت بالا، بیشتر مورد توجه قرار گرفته است. اغلب روش‌های ارائه شده برای استخراج قانون متکی بر هرس‌سازی شبکه هستند، هرس‌سازی باعث کاهش دقت و کارایی شبکه‌عصبی و در نتیجه ضعف در قوانین استخراج شده می‌شود. در این پژوهش روش نوینی ارائه می‌شود که با بهره‌گیری از الگوریتم ژنتیک، وزن‌های نرون‌های شبکه‌عصبی را به گونه‌ای تنظیم می‌کند که خسارت ناشی از مرحله هرس‌سازی را به میزان قابل توجهی تقلیل دهد. این روش در مرحله اول، به هنگام آموزش شبکه‌عصبی و به شکل سراسری و در مرحله بعد، پس از اتمام آموزش به صورت محلی با بررسی وزن‌های هر نرون از لایه میانی و خروجی، به اصلاح وزن‌های اتصالات شبکه می‌پردازد. آزمایشات انجام شده بر روی چند پایگاه‌داده استاندارد نشان می‌دهد که قوانین استخراج شده به کمک روش پیشنهادی از نظر سادگی بهتر از روش‌های موجود و از نظر دقت بطور متوسط دو درصد بهبود می‌یابد.