关于#BP#的问题，如何解决？

BP神经网络的迭代次数设置为20，误差阈值设置为0.7，学习率设置为0.001是否合理

帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/201561
这篇博客你也可以参考下：八数码问题的三种解决方式，其二：深度优先搜索加自己的一些疑惑
除此之外, 这篇博客: 【学习笔记】基于遗传算法的BP神经网络优化算法中的 （3）设置网络初始权值、阈值 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

在上文的网络创建部分中，已经计算出了各层的权值、阈值个数，接下来只需要进行赋值即可

% 设置网络初始权值、阈值
weight1_num = input_num*hidden_num;     % 输入层到隐含层的权值数
weight2_num = hidden_num*output_num;    % 隐含层到输出层的权值数

weight1 = X([1:weight1_num]);                                                   % 输入层到隐含层的权值
threshold_1 = X([weight1_num+1:weight1_num+hidden_num]);                        % 隐含层阈值
weight2 = X([weight1_num+hidden_num+1:weight1_num+hidden_num+weight2_num]);     % 隐含层到输出层的权值
threshold_2 = X([weight1_num+hidden_num+weight2_num+1:end]);                    % 输出层阈值

% 赋值
net.iw{1,1} = reshape(weight1,hidden_num,input_num);        % 输入层到隐含层的权值
net.lw{2,1} = reshape(weight2,output_num,hidden_num);       % 隐含层到输出层的权值
net.b{1} = reshape(threshold_1,hidden_num,1);               % 隐含层阈值
net.b{2} = reshape(threshold_2,output_num,1);               % 输出层阈值

关于net.iw、net.lw和net.b的解释：

% net.iw为输入层到网络层（隐含层+输出层）的权值
% 通过访问net.iw{i,j}可以获得第i个网络层来自第j个输入向量的权值向量
% 本案例中，net.iw{1,1}即表示第1个网络层（即隐含层）来自第1个输入向量的权值向量

% net.lw为一个网络层到另一个网络层的权值
% 通过访问net.lw{i,j}可以获得第i个网络层来自第j个网络层的权值向量
% 本案例中，net.lw{2,1}即表示第2个网络层（即输出层）来自第1个网络层（即隐含层）的权值向量

% net.b为各网络层的阈值
% net.b{i}为第i个网络层的阈值向量

关于神经网络中其他参数的解释可以参考书籍《神经网络模型及其MATLAB仿真程序设计》

能跑起来其实就行吧。
如果没底的话，具体参数看看相似方向研究的别人文献，然后需要自己调试一下可能就还好
迭代20次……感觉有点少，matlab的bp神经网络工具箱默认最多迭代1000次呢
不过一般bp神经网络不以达到最大迭代次数作为停止条件，而更多的以误差MSE足够小/训练集和测试集有一方疑似出现过拟合/曲线收敛这样的指标作为停止的信号，会更科学一些。