El artículo presenta un algoritmo neuroevolutivo llamado Hill Climb Assembler Encoding (HCAE), que es una variante ligera de Hill Climb Modular Assembler Encoding (HCMAE). Mientras que HCMAE, como su nombre lo indica, está dedicado a redes neuronales modulares, la aplicación objetivo de HCAE es evolucionar redes neuronales monolíticas pequeñas/medianas que, a pesar del gran éxito de las arquitecturas profundas, aún se utilizan, por ejemplo, en sistemas robóticos. El artículo analiza la influencia de diferentes mecanismos incorporados en HCAE en la efectividad de las redes neuronales evolucionadas y las compara con varios algoritmos rivales. Con el fin de verificar la capacidad de HCAE para evolucionar redes neuronales pequeñas/medianas efectivas, tanto feed forward como recurrentes, se probó en catorce problemas de identificación que incluyen el problema de las dos espirales, que es un conocido benchmark de clasificación binaria, y en dos problemas de control, es decir, el problema del péndulo invertido, que es un benchmark de control clásico, y el problema de seguimiento de trayectorias, que es un problema real en robótica submarina. Cuatro otros algoritmos neuroevolutivos, cuatro métodos de optimización de enjambre de partículas, evolución diferencial y un conocido algoritmo de retropropagación, se aplicaron como punto de referencia para HCAE. Los experimentos reportados en el artículo revelaron que el enfoque evolutivo aplicado en el algoritmo propuesto lo convierte en una herramienta más efectiva para resolver los problemas de prueba que todos los rivales.