Predecir con precisión el consumo de energía es crucial para una gestión energética eficiente. Los modelos de aprendizaje automático (ML) suelen emplearse con este fin. Sin embargo, ajustar sus hiperparámetros es una tarea compleja y que consume tiempo. El artículo presenta un enfoque novedoso multiobjetivo (MO) basado en evolución híbrida, GA-SHADE-MO, para ajustar los modelos ML con el objetivo de resolver el complejo problema de predecir el consumo de energía. El algoritmo propuesto optimiza simultáneamente tanto hiperparámetros como conjuntos de características a través de seis modelos ML diferentes, garantizando una precisión y eficiencia mejoradas. El estudio se centra en predecir el consumo de energía doméstica a nivel horario y diario. El algoritmo evolutivo híbrido MO integra elementos de algoritmos genéticos y evolución diferencial autoadaptativa. Al incorporar la optimización MO, GA-SHADE-MO equilibra los compromisos entre la complejidad del modelo (el número de características utilizadas) y la precisión de la predicción, garantizando un rendimiento sólido en diversos escenarios de pronóstico. Los resultados numéricos experimentales muestran la superioridad del método propuesto en comparación con técnicas tradicionales de ajuste y búsqueda aleatoria, mostrando mejoras significativas en precisión predictiva y eficiencia computacional. Los hallazgos sugieren que el enfoque GA-SHADE-MO propuesto ofrece una herramienta potente para optimizar modelos ML en el contexto de la predicción del consumo de energía, con aplicaciones potenciales en otros dominios que requieran modelado predictivo preciso. El estudio contribuye al avance de las técnicas de optimización de ML, proporcionando un marco que puede adaptarse y ampliarse para diversas tareas de análisis predictivo.