La programación genética cartesiana es una versión popular de la programación genética clásica, y ahora ha demostrado un muy buen rendimiento en la resolución de varios casos de uso. Originalmente, los programas evolucionaban utilizando un enfoque de optimización centralizado. Recientemente, se ha introducido una descomposición a nivel algorítmico de la evolución del programa que puede ser resuelta por un sistema multiagente de manera completamente distribuida. Se adaptó una heurística para la resolución de problemas combinatorios distribuidos para evolucionar estos programas. La aplicabilidad del enfoque y la efectividad del protocolo multiagente utilizado, así como de los programas genéticos evolucionados para el caso de enumeración completa en las decisiones de los agentes locales, ya se han demostrado con éxito. Se utilizaron problemas de regresión simbólica, n-paridad y clasificación para este propósito. Como es típico en los sistemas descentralizados, los agentes tienen que resolver subproblemas locales para la toma de decisiones y para determinar la mejor contribución local a la evolución del programa. Hasta ahora, solo se ha utilizado una enumeración completa de los candidatos a solución, lo cual no es suficiente para tamaños de problema más grandes. Ampliamos este enfoque utilizando CMA-ES como un algoritmo para decisiones locales. El rendimiento superior de CMA-ES se demuestra utilizando la estadística del esfuerzo computacional de Koza en comparación con el enfoque original. Además, se examina la modalidad distribuida de la optimización local mediante un análisis del paisaje de fitness.