La Red Neuronal Recurrente de Hopfield (HRNN) es una metaheurística de descenso en un solo punto que utiliza una única solución potencial para explorar el espacio de búsqueda de problemas de optimización, cuyas restricciones y función objetivo se agregan en una función de energía típica. El punto inicial suele ser inicializado aleatoriamente, y luego se mueve aplicando operadores, caracterizando la dinámica discreta de la HRNN, que modifican su posición o dirección. Al igual que todas las metaheurísticas de un solo punto, la HRNN tiene ciertos inconvenientes, como la mayor probabilidad de quedar atrapada en óptimos locales o perder óptimos globales debido al uso de un solo punto para explorar el espacio de búsqueda. Además, es más sensible al punto inicial y al operador, lo que puede influir en la calidad y diversidad de las soluciones. También puede tener dificultades en entornos dinámicos o ruidosos, ya que puede perder el rastro de la región óptima o ser engañada por fluctuaciones aleatorias. Para superar estas limitaciones, este artículo introduce una versión difusa basada en poblaciones de la HRNN, a saber, la Red Neuronal Recurrente de Hopfield Takagi-Sugeno Gaussiana (G-TS-HRNN). Para cada neurona, la G-TS-HRNN asocia una variable difusa de entrada de d valores, descrita por una función de pertenencia gaussiana apropiada que cubre el universo del discurso. Para construir una instancia de G-TS-HRNN(s) de tamaño s, generamos s n-upletas de valores difusos que presentan la premisa del sistema Takagi-Sugeno. Los consecuentes son las ecuaciones diferenciales que rigen la dinámica de la HRNN obtenidas al reemplazar cada valor difuso de premisa por la media de diferentes gaussianas. Los puntos de equilibrio de todas las premisas de las reglas se agregan utilizando la ecuación del centro de gravedad difuso, considerando el nivel de actividad de cada regla. La G-TS-HRNN se utiliza para resolver el método de optimización aleatoria basado en el modelo de vectores de soporte. En comparación con la HRNN, la G-TS-HRNN tiene un mejor rendimiento en conjuntos de datos bien conocidos.