Los comportamientos dinámicos de un sistema de red neuronal artificial (ANN) dependen fuertemente de su estructura de red. Por lo tanto, la salida de las ANNs ha sufrido durante mucho tiempo de una falta de interpretabilidad y variación. Esto ha limitado severamente la usabilidad práctica de la regla lógica en la ANN. El trabajo presenta una representación integrada de la -satisfactibilidad (SAT) en una red neuronal hopfield de mutación (MHNN). Los estados de los neuronas de la red neuronal hopfield convergen a la energía mínima, pero la solución producida está limitada a un número limitado de espacios de solución. El MHNN se incorpora con la capacidad de búsqueda global de los algoritmos de estimación de distribución (EDAs), que exploran típicamente varios espacios de solución. El propósito principal es estimar otros posibles estados de neuronas que conduzcan a la energía mínima global a través de las mediciones de salida disponibles. Además, se muestra que el MHNN puede recuperar varios estados de neuronas con la energía mínima más baja. Las simulaciones subsiguientes realizadas en el MHNN revelan que el enfoque produce un resultado que supera al HNN híbrido convencional. Además, este estudio proporciona un nuevo paradigma en el campo de las redes neuronales al superar el problema de sobreajuste.