La eficiencia energética y la resistencia de vuelo de los vehículos aéreos no tripulados pequeños (SUAVs) se pueden mejorar mediante la implementación de estrategias de planeo autónomo. Técnicas de vuelo inspiradas biológicamente, como el planeo dinámico y térmico, ofrecen ahorros de energía significativos al aprovechar fenómenos de viento que ocurren naturalmente para el vuelo sin empuje. El interés reciente en la aplicación de algoritmos de inteligencia artificial para el planeo autónomo ha sido motivado por la búsqueda de inculcar un comportamiento generalizado en los sistemas de control, centrado en el uso de redes neuronales. Sin embargo, la topología de tales redes suele estar predeterminada, restringiendo el espacio de búsqueda de soluciones potenciales, mientras que a menudo resulta en redes neuronales complejas que pueden presentar desafíos de implementación para el hardware limitado a bordo de vehículos autónomos de pequeña escala. Al explorar un método novedoso para generar neurocontroladores, este documento presenta una estrategia de planeo basada en redes neuronales para extender los tiempos de vuelo y avanzar en la capacidad operativa potencial de los SUAVs. En este estudio, se utiliza el algoritmo de Neuroevolución de Topologías Aumentadas (NEAT) para entrenar neurocontroladores eficientes y efectivos que pueden controlar una aeronave simulada a lo largo de trayectorias de planeo dinámico y térmico sostenido. El enfoque propuesto evoluciona redes neuronales interpretables de manera que se preserve la simplicidad mientras se maximiza el rendimiento sin requerir conjuntos de datos de entrenamiento extensos. Como resultado, la estrategia combinada de planificación de trayectorias y control de aeronaves es adecuada para la implementación en tiempo real en plataformas SUAV.