En este artículo, se propone una técnica híbrida innovadora para el entrenamiento eficiente de redes neuronales artificiales, que se utilizan tanto en problemas de aprendizaje por clases como en problemas de ajuste de datos. Esta técnica híbrida combina la técnica bien probada de Algoritmos Genéticos con una variante innovadora de Recocido Simulado, con el fin de lograr altas tasas de aprendizaje para las redes neuronales. Esta variante se aplicó periódicamente a cromosomas seleccionados al azar de la población del Algoritmo Genético para reducir el error de entrenamiento asociado con estos cromosomas. El método propuesto se probó en una amplia serie de problemas de clasificación y ajuste de datos de la literatura relevante y los resultados se compararon con otros métodos. La comparación con otras técnicas de entrenamiento de redes neuronales, así como la comparación estadística, reveló que el método propuesto es significativamente superior, ya que logró reducir significativamente el error de entrenamiento de la red neuronal en la mayoría de los conjuntos de datos utilizados.