Las estrategias de clasificación de compuestos abordadas en este estudio enfrentan desafíos relacionados con la baja eficiencia o precisión. La clasificación precisa de compuestos químicos a partir de símbolos SMILES tiene una importancia significativa en dominios como el descubrimiento de medicamentos, la ciencia de materiales y la toxicología ambiental. En este documento, presentamos un novedoso marco de optimización híbrido llamado GA-CMA-ES que integra Algoritmos Genéticos (GA) y la Estrategia de Evolución de Adaptación de la Matriz de Covarianza (CMA-ES) para entrenar Redes Neuronales Recurrentes (RNNs) para la clasificación de compuestos. Aprovechando las capacidades de exploración global de los GAs y las habilidades de exploración local de la CMA-ES, el método propuesto logra un rendimiento notable, alcanzando una precisión de clasificación del 83% en un conjunto de datos de referencia, superando el método de referencia. Además, el enfoque híbrido exhibe una velocidad de convergencia mejorada, eficiencia computacional y robustez en diversos conjuntos de datos y niveles de complejidad.