A one-dimensional self-organizing map with winner takes all learning was used tosolve the traveling salesman problem. In this implementation, each neuron represents a vertex. Afterexecution, the order of neurons indicates the route that represents the solution. Simulations wereconducted with six instances of the TSPLIB base of sizes from 51 to 1379 vertices. A learning rate of0.8 and 3000 training epochs in all executions were used. This approach proved to be efficient andconsistent. However, the solutions are not better than those obtained by other researchers due to theuse of a learning technique with lower computational cost, the use of the same parameters for allinstances and the absence of an optimization algorithm for local search. Consequently, a solutionwith low computational cost was obtained.Utilizou-se mapa auto-organizável unidimensional com aprendizado winner takes all para a resolução do problema do caixeiro-viajante. Nessa implementação, cada neurônio representa um vértice. Após a execução, a ordem dos neurônios indica a rota que representa a solução encontrada. Foram realizadas simulações com seis instâncias da base TSPLIB de tamanhos de 51 a 1379 vértices. Foram utilizadas uma taxa de aprendizagem de 0,8 e 3 mil épocas de treinamento em todas as execuções. Essa abordagem se mostrou eficiente e consistente. Todavia, as soluções encontradas não são melhores do que as obtidas por outros pesquisadores, por ter sido empregada, aqui, uma técnica de aprendizado com menor custo computacional, a saber, parâmetros iguais para todas as instâncias, e por não ter sido utilizado um algoritmo de otimização por busca local. Consequentemente, obteve-se uma solução com baixo custo computacional.