组合优化问题(combinatorial　optimization　problem,COP)是一类在离散空间中寻找最优解的数学问题,具有广泛的应用.然而,许多组合优化问题是NP完全的,随着问题规模的增加,解决问题所需的时间急剧增加,这促使研究人员寻求更快速的解决方法,即使解不一定是最优的,如近似算法、启发式算法和机器学习算法等.一些先前的工作基于Hopfield神经网络提出了混沌模拟退火(chaotic　simulated　annealing,CSA),并取得了良好的表现.然而,CSA的计算模式对当前的通用处理器并不友好,且没有专用的计算硬件.为了高效地执行CSA,我们提出一种软硬件联合的设计方案.在软件方面,我们使用适当的位宽对权重和输出进行量化,并修改那些不适合硬件实现的计算模式.在硬件方面,我们设计了一种基于忆阻器的专用存内计算硬件架构COPPER.COPPER能够高效地运行修改后的量化CSA算法,并支持流水线以获得进一步加速.结果表明,COPPER在执行CSA算法时,速度和能耗方面都十分出色.