La rete neurale Spiking (SNN) svolge un ruolo essenziale nei problemi di classificazione. Sebbene esistano molti modelli di SNN, la Evolving Spiking Neural Network (ESNN) è ampiamente utilizzata in molti lavori di ricerca recenti. Per migliorare l'algoritmo ESNN sono stati utilizzati algoritmi evolutivi, soprattutto l'evoluzione differenziale (DE). Tuttavia, molti problemi di ottimizzazione del mondo reale includono diversi obiettivi contraddittori. In questo libro, la ricerca armonica (HS) e l'approccio memetico sono stati utilizzati per migliorare le prestazioni di MOO con ESNN. Di conseguenza, è stata applicata la Memetic Harmony Search Multi-Objective Differential Evolution with Evolving Spiking Neural Network (MEHSMODE-ESNN) per migliorare la struttura della ESNN e i tassi di precisione. Per valutare le prestazioni di questo modello ibrido multi-obiettivo migliorato sono stati utilizzati set di dati standard dell'UCI machine learning. I risultati sperimentali hanno dimostrato che il modello Memetic Harmony Search Multi-Objective Differential Evolution with Evolving Spiking Neural Network (MEHSMODE-ESNN) fornisce risultati migliori in termini di accuratezza e struttura della rete.