El uso de la informática en la nube está aumentando exponencialmente con la llegada de tecnologías de la revolución industrial 4.0 como el Internet de las cosas, la inteligencia artificial y las transformaciones digitales. Estas tecnologías requieren centros de datos en la nube para procesar volúmenes masivos de cargas de trabajo. Como resultado, los centros de datos consumen cantidades gigantescas de energía eléctrica, y una gran parte de la energía eléctrica de los centros de datos proviene de combustibles fósiles. Esto provoca emisiones de gases de efecto invernadero y, por ende, contribuye al calentamiento global. Un mecanismo adaptativo de utilización de recursos de los centros de datos en la nube es vital para hacer frente a este gran problema. El sistema adaptativo estimará la utilización de recursos y luego ajustará los recursos en consecuencia. La estimación de la utilización de recursos en la nube es una tarea desafiante de dos partes. Primero, las cargas de trabajo en la nube son diversas y, segundo, las solicitudes de los clientes son desiguales. En la literatura, varios modelos de aprendizaje automático han estimado recursos en la nube, de los cuales las redes neuronales artificiales (ANNs) han mostrado un mejor rendimiento. Las ANNs convencionales tienen una topología fija y solo permiten entrenar sus pesos ya sea mediante retropropagación o neuroevolución como un algoritmo genético. En este documento, proponemos la red neuronal de programación genética cartesiana (CGPNN). La CGPNN mejora el rendimiento de las ANN convencionales al permitir el entrenamiento tanto de sus parámetros como de su topología, y utiliza una ventana deslizante incorporada. Hemos entrenado CGPNN con neuroevolución paralela que busca el óptimo global a través de numerosas direcciones. Se utilizaron trazas de utilización de recursos del centro de datos Bitbrains para validar la CGPNN propuesta y se compararon los resultados con modelos de aprendizaje automático de la literatura en el mismo conjunto de datos. El método propuesto ha superado a los modelos de aprendizaje automático de la literatura y ha dado como resultado una precisión de predicción del 97%.