Artykuł rozważa problem znajdowania optymalnych strategii w grach obronnych Stackelberga w grach przeciwko Atakującemu z ograniczoną racjonalnością. Zaproponowano metodę neuroewolucyjną DNESG, która wykorzystuje sieć neuronową jako model zastępczy do porównywania par strategii Obrońcy. Sieć neuronowa jest trenowana na danych historycznych (próbach ataku z przeszłości) i nie wymaga bezpośrednich informacji na temat preferencji Atakującego dotyczących celów, rozkładu wynagrodzenia czy modelu podejmowania decyzji. Sieć neuronowa jest osadzona w ramach algorytmu ewolucyjnego i zastępuje czasochłonną ocenę strategii poprzez bezpośrednie wdrożenie selekcji opartej na turnieju. Skuteczność zaproponowanego algorytmu została oceniona na zestawie 90 testowych gier zainspirowanych rzeczywistymi scenariuszami cyberbezpieczeństwa. Zaproponowana metoda dostarcza wysokiej jakości rozwiązań i przewyższa dotychczasowe podejścia (zarówno dokładne, jak i przybliżone) ze statystycznie istotnymi wynikami w grach przeciwko Atakującemu z ograniczoną racjonalnością. Ponadto DNESG oferuje skalowalność czasową będącą o dwa rzędy wielkości szybszą niż konkurencyjne metody programowania liniowego i całkowitoliczbowego.