Existe cierto tipo de problemas cuya solución requiere del aprendizaje de estrategias. Esto es lo que se conoce como Comportamiento Complejo y se aplica generalmente a la robótica y al desarrollo de sistemas de control de procesos, cuya resolución no es directa. Los arreglos neuronales evolutivos, a diferencia de los métodos convencionales basados en una única red neuronal, están conformados por un conjunto de redes que se organizan en forma de arreglo. Cada una de estas redes representa una parte de la solución esperada. Si bien han demostrado ser capaces de brindar soluciones eficientes, requieren de la división explícita del problema original en subtareas. El presente artículo describe un nuevo método, ANES, que permite evolucionar subpoblaciones de redes, facilitando de esta manera la obtención de componentes especializadas sin requerir ningún tipo de información del problema específico a resolver. Las mediciones realizadas del método propuesto, aplicado a problemas de evasión de obstáculos y recolección de objetos, muestran la superioridad de ANES con respecto a los métodos tradicionales que manejan poblaciones de redes neuronales. En particular se ha utilizado SANE como referente comparativo debido a su alto rendimiento. Finalmente se presentan las conclusiones y se plantean algunas líneas de trabajo futuras.