Los Mapas Cognitivos Difusos son una herramienta potente con la que se puede llegar a modelar sistemas complejos con dinámicas indeterminadas, y tienen además la ventaja de ser interpretables. Sin embargo, en ocasiones se vuelve difícil determinar con precisión las relaciones que se producen entre los conceptos de un sistema. En investigaciones previas se diseñó y desarrolló una biblioteca de software capaz de crear este tipo de modelos, y ajustarlos con buena precisión. Para lograr un buen ajuste de las matrices de pesos de un modelo utilizando el algoritmo de aprendizaje disponible es necesario que el aprendizaje se desarrolle a partir de un conjunto de valores específicos. En esta investigación se introdujo un nuevo algoritmo de Aprendizaje Automático a la biblioteca, que emplea técnicas de Aprendizaje Reforzado. Esto permite un ajuste óptimo de las matrices de pesos, aún al enfrentarse el aprendizaje a baja disponibilidad de datos e incertidumbre en la inicialización de los valores del modelo. Los resultados reflejan que un modelo que se obtiene empleando la biblioteca con las modificaciones se ajusta correctamente al comportamiento del sistema que emula en un mayor número de situaciones. La calidad del modelo se relaciona directamente con las iteraciones que se realicen para entrenarlo, siendo favorable un aumento de las mismas. Para la obtención de los resultados se emplearon datos de simulación de un circuito RLC a los cuales se le introdujo ruido para lograr una mayor semejanza a datos de procesos reales.