Los Algoritmos Evolutivos Multi-Objetivo (MOEAs) se han aplicado con éxito para resolver problemas multi-objetivo del mundo real. Su éxito puede depender en gran medida de la configuración de sus parámetros de control. Se han propuesto diferentes métodos de ajuste para resolver este problema. El ajuste se puede realizar en un conjunto de instancias de problemas para obtener parámetros de control robustos. Sin embargo, para problemas del mundo real, el conjunto de instancias de problemas a nuestra disposición generalmente no es muy abundante. Esto plantea la pregunta: ¿Cuál es un número suficiente de problemas utilizado en el proceso de ajuste para obtener parámetros lo suficientemente robustos? Para responder a esta pregunta, se aplicó un método novedoso llamado MOCRS-Tuning en conjuntos de problemas de diferentes tamaños para el problema real de integración y orden de pruebas. Las configuraciones obtenidas por el proceso de ajuste se compararon en todas las instancias de problemas utilizadas. Los resultados muestran que el ajuste mejora en gran medida el rendimiento de los algoritmos y que un subconjunto más grande utilizado para el ajuste no garantiza mejores resultados. Esto indica que es posible obtener parámetros de control robustos con un pequeño subconjunto de instancias de problemas, lo que también reduce sustancialmente el tiempo requerido para el ajuste.