Esta tesis doctoral se dedica al estudio y desarrollo de redes neuronalespara la resolución de problemas de optimizacion combinatoria, un campode gran interes en numerosas areas tales como Matematicas y Computacion.En el trabajo se analizan las principales redes existentes para optimización,proporcionando nuevos puntos de vista sobre algunas de ellas, en particularsobre las redes de Hopfield discreta y continua, y sobre las redes de Takefujiy Lee.Se realiza una primera aportación en el campo de las redes secuenciales,presentando una generalización de la red de Hopfield binaria que como novedadgarantiza la convergencia hacia minimos locales para valores cualesquierade las autoconexiones. Es destacable que en los problemas inplementadosde las n reinas y de los cuatro colores los algoritmos neuronales propuestospermiten alcanzar mínimos globales, mientras que otras redes presentadasanteriormente para dichos problemas se estancan fácilmente en minimos locales,por lo que requieren técnicas heurísticas adicionales.Otra aportación destacada es la de una nueva red binaria n-paralelacompetitiva, que se demuestra converge siempre hacia mínimos locales oglobales. La implementación de esta red competitiva en los problemas delas n reinas, bipartición de grafos y clique máximo, muestra unos excelentesresultados computacionales. De este modo, tanto enel tiempo de computacióncomo en la calidad de las soluciones, los resultados son superiores a losde la principal red neuronal competitiva existente, la red maximum de Takefujiy Lee, que a su vez ha demostrado a través de diversas publicacionesinternacionalessu superioridad sobre los mejores métodos existentes para la resoluciónde dichos problemas.Destacar por último que las simulaciones realizadas en los problemasNP-Completos resueltos indican que hasta los tamaños implementados el tiempoutilizado en las simulaciones crece polinomialmente con el tamaño
