Las Funciones Físicas Inclonables (PUFs) son conocidas por su falta de clonabilidad y diseño liviano. Sin embargo, existen varios problemas conocidos en los diseños de PUF de última generación, incluyendo la vulnerabilidad contra ataques de aprendizaje automático, la baja aleatoriedad de la salida y la baja fiabilidad. Para abordar estos problemas, presentamos un diseño de red de PUF interconectada reconfigurable (IPN) que fortalece significativamente la seguridad y la falta de clonabilidad de PUF fuertes. Mientras que la estructura IPN en sí aumenta significativamente la complejidad y la no linealidad del sistema, el mecanismo de reconfiguración remapea la asignación de entrada-salida antes de que un atacante pueda recopilar suficientes pares de desafío-respuesta (CRPs). También proponemos el uso de un algoritmo de estrategias evolutivas (ES) para buscar eficientemente una configuración de red capaz de producir respuestas aleatorias y estables. Los resultados experimentales muestran que la aplicación de ataques de aprendizaje automático de última generación resulta en menos del 53.19% de precisión para la predicción de salida de un solo bit en un IPN reconfigurable con configuraciones aleatorias. También demostramos que, al aplicar configuraciones exploradas por nuestro método ES propuesto en lugar de configuraciones aleatorias, la aleatoriedad de la salida mejora significativamente en un 220.8% y la estabilidad de la salida al menos en un 22.62% en diferentes variaciones de IPN.