La inteligencia artificial está ganando una tremenda atracción y mostrando un gran éxito en la resolución de diversos problemas, como simplificar la derivación del control óptimo. Este trabajo se centra en la aplicación de la Neuroevolución al control de cohortes de Vehículos Conectados y Autónomos (CAV) que operan en intersecciones no controladas. Se demuestra la simplicidad de la implementación del método propuesto, gracias a la inclusión de heurísticas y un rendimiento efectivo en tiempo real. La arquitectura resultante logra condiciones de operación casi ideales al mantener las velocidades promedio cercanas al límite de velocidad. Logra el doble de la velocidad media de paso que una intersección controlada, lo que permite un menor tiempo de viaje y mitigar las ineficiencias energéticas derivadas de la dinámica de parada y arranque de los vehículos. La baja desviación del límite de velocidad de la carretera se mantiene continuamente para cohortes de hasta 50 m de longitud. Esta limitación puede ser mitigada con carriles adicionales en los que las cohortes pueden dividirse. El concepto también permite probar e implementar carriles de giro rápido simplemente replicando y reconectando la arquitectura de control en cada cruce de carretera nuevo, lo que permite una alta escalabilidad para el análisis de redes viales complejas. El controlador también se valida con éxito en un entorno dinámico de vehículos de alta fidelidad, mostrando su potencial para el control de vehículos sin conductor, además de ofrecer un nuevo modelo de simulación de control de tráfico para futuros estudios de operación autónoma.