El algoritmo de aprendizaje de correlación en cascada es un algoritmo especial de aprendizaje supervisado para la arquitectura de redes neuronales artificiales. El algoritmo de optimización en la red neuronal tradicional tiene las desventajas de un único objetivo de optimización, una velocidad de convergencia lenta y puede caer fácilmente en un área local, lo que no puede satisfacer completamente los elementos clave en el algoritmo de aprendizaje de correlación en cascada. En comparación, el algoritmo de optimización de inteligencia grupal puede tener en cuenta estos elementos clave en el proceso de optimización al mismo tiempo y obtener mejores resultados de optimización. En este trabajo, proponemos el algoritmo de optimización de un solo objetivo jDE-B y el algoritmo de optimización multiobjetivo MOEA-T, y mejoramos el modo de expansión de la red en el proceso de aprendizaje de las redes neuronales de correlación en cascada. Investigamos el efecto de aplicar el algoritmo de optimización de inteligencia grupal en el algoritmo de aprendizaje de correlación en cascada. Los resultados experimentales muestran que nuestro algoritmo mejorado es capaz de mejorar la capacidad de la red neuronal de correlación en cascada para resolver problemas, reducir el número de unidades ocultas y la profundidad de la red, y optimizar la estructura de la red.