最小集合覆盖问题是NP完全问题中非常重要的一个问题。集合覆盖问题在现实生活和生产中有许多重要应用，如生产、投资决策以及项目选择。由于现有的经典最优化方法解决最小集合问题效率低下，现在常用人工神经元网络来解决这个问题。人工神经网络(ARTIFICIAL NEURAL NETWORK)是一门是近年来再度兴起并得到迅速发展的前沿交叉学科，它是一种在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的工程系统。其中，Hopfield网络是一类应用十分广泛的人工神经网络，尤其在组合优化方面有着广泛的应用。但是，在实际应用中，这种经典的网络存在着诸多的缺陷，其中之一就是局部极小值问题。已有的基于人工神经元网络的算法在收敛过程中时常导致结果的振荡，而且有时候找不到精确的解。在本论文中，我们提出了两种基于离散Hopfield神经元网络的跳出局部极小点的启发式算法。通过在局部极小点处调整网络结构参数，来帮助神经元网络跳出局部极小，从而使神经元网络的能量变化趋势继续按照梯度下降。算法的仿真效果通过许多随机生成的超图来进行测试，并且将计算结果与现有的几个典型算法进行比较。仿真结果验证了本论文所提出的一般性算法的正确性和有效性。