Diese Arbeit präsentiert die Entwicklung und das Training eines KI-Modells mittels Neuroevolution, das darauf ausgelegt ist, ein Echtzeit-Strategiespiel zu meistern, indem es eine Condensed Tactical Map (CTM) erzeugt- ein System, das mehrere taktische Karten zu einem einzigen Gesamtwert pro Knotenpunkt eines Wegpunktgraphen oder Grids zusammenführt. Diese CTM bildet die Grundlage für taktische Entscheidungsfindung und unterstützt KI-Agenten bei der optimalen Positionierung auf dem Spielfeld. Die zentrale Forschungsfrage, ob neuronale Netze durch Neuroevolution so trainiert werden können, dass sie Informationen aus mehreren taktischen Karten sinnvoll zu einer kohärenten Gesamtstrategie verarbeiten, konnte bejaht werden. Zur Validierung des Ansatzes wurde eine Top-Down-Shooter-Umgebung implementiert, in der Agenten in 3v3-Gefechten mit unterschiedlichen Waffenklassen gegeneinander antreten. Die Studie verglich ein heuristisches Modell, das CTM-Werte mittels einer festgelegten Gewichtung und einem dynamischen Aggressivitätsparameter berechnet, mit vier Neuroevolutions-basierten Netzwerkarchitekturen. Das Training erfolgte mithilfe der Multi-Objective-Algorithmen NSGA-II und Multi-Objective Map Elites, welche darauf abzielten, den verursachten Schaden zu maximieren und den erlittenen Schaden zu minimieren.