Die Architekturgestaltung und die Auswahl von Hyperparametern für tiefe neuronale Netze beruht oft auf Vermutungen. Der Parameterraum ist zu groß, um alle Kombinationen zu testen, weshalb man häufig zu einer suboptimalen Lösung greift. Einige Arbeiten haben automatische Suchverfahren für Architektur und Hyperparameter vorgeschlagen, sind jedoch auf Anwendungen in der Bildverarbeitung beschränkt. Wir präsentieren einen evolutionären Rahmen für graphenbasierte Daten, der sich auf allgemeine Graphen erweitern lässt. Unser Evolutionsansatz mutiert eine Population neuronaler Netze, um den Architektur- und Hyperparameter-Raum zu erkunden. In jeder Phase des neuroevolutionären Prozesses können neuronale Schichten hinzugefügt oder entfernt, Hyperparameter angepasst oder zusätzliche Trainingszyklen durchgeführt werden. Die Wahrscheinlichkeiten für die Auswahl von Mutationen basieren auf den jüngsten Erfolgen und helfen dabei, den Lernprozess effizient und präzise zu steuern. Wir erreichen eine state-of-the-art-Leistung bei der MUTAG-Proteinklassifikation mit einer kleinen Population von lediglich 10 Netzwerken und gewinnen dabei wertvolle Erkenntnisse darüber, wie man effektive Netzwerkarchitekturen schrittweise aufbaut.