Metaheuristics的杂交，尤其是遗传算法和局域搜索heuristics 的联合使用已经引起了研究人员的注意，主要是用于解决组合最优化问题上（COPs）。这些问题中改进的算法与LS 启发式算法的混合使用被许多人认为可以通过减少解决方案的，不可行性或者通过提高给定个体目标函数的质量从而改善进化式搜索。
在过去的几年中，一些人员研究了将遗传算法（Gas）与 Hopfield神经系统网络的混合使用作为一种有效的途径来解决被高度约束的COPs问题。这些方法的思想在于HNN可以解决一些问题的限制，GA则需求高质量的解决方法，这种将限制的处理与最优方案的搜索分离开的思想是这类算法显示出好的功能的关键。
HNNs 与Gas的混合使用中也存在着一些问题，可能最大的缺点是HNN一般要求高的计算速度，使得得到的混合算法可能计算效率不够高。为了解决这个问题，一些研究工作者提出使用快速的二进制HNNs，与文献中提出的相似，它可以在O(n) 中发生集合,n 为神经元数。因此，这种方法是将二进制的HNNs作为GA内的一种可行性过滤器。然而另一方面，通过使用二进制的HN获得的这种方法通常效率不高，因此最优化主要是由GA来进行的。
本论文研究了提高在一类COPs中通过一种(HNN-GA) 算法来建立的解决方案的效率的可能性，我们的主要目的是解决一些包括如何定义0–1 整数(ILP) 的COPs。在这些问题中，相关的LP问题的解决方法可以通过修改HNN的更新程序的途径用于改善HNN’s 的功能。文中也从理论上分析了不同更新秩序下HNN功能，同时在GA交叉算子的结果指导下分析了HNN的一种更新秩序的修改方法。
论文剩下部分的结构如下：下一部分描述了用于解决COPs的HNN-GA的标准执行方法。第三部分描述了我们改进的基于线性规划指导的HNN-GA。3.1节我们给出了对不同更新秩序的理论分析。最后第4节显示了我们所提出的方法在改善Hopfield 网络方面的功能，及整个HNN-GA算法在解决两个不同的基准问题时的功能。
