En esta investigación, los autores combinan métricas de evaluación multiobjetivo en la estrategia evolutiva (1 + 1) con tres métodos novedosos del procedimiento óptimo de Pareto para abordar el problema de aprendizaje para clasificar (LTR). De los resultados obtenidos, se observó que la distribución de Cauchy como generador de números aleatorios para tamaños de paso de mutación superó a las otras distribuciones utilizadas. El objetivo de utilizar los métodos óptimos de Pareto elegidos fue determinar qué método puede proporcionar un mejor equilibrio entre exploración y explotación para el espacio de soluciones y obtener la solución óptima o cercana a la óptima. La mejor combinación para eso en términos de tasa de éxito es la distribución de Cauchy para los tamaños de paso de mutación con el método 3 del procedimiento óptimo de Pareto. Además, se evaluaron y analizaron diferentes generadores de números aleatorios en comparación con los conjuntos de datos en términos de NDCG@10 para los datos de prueba. Se encontró que el generador de Levy es el mejor tanto para los conjuntos de datos MSLR como para MQ2007, mientras que el generador Gaussiano es el mejor para el conjunto de datos MQ2008. Por lo tanto, los generadores de números aleatorios afectan claramente el rendimiento de ES-Rank según el conjunto de datos utilizado. Además, el método 3 tuvo el mayor NDCG@10 para MQ2008 y MQ2007, mientras que para el conjunto de datos MSLR, el mayor NDCG@10 se logró con el método 2. Junto con este artículo, proporcionamos un archivo Java para investigación reproducible.