En el desarrollo moderno de vehículos, los componentes de suspensión deben cumplir con muchas condiciones límite. En el desarrollo de ruido, vibración y aspereza (NVH), estas son, por ejemplo, las frecuencias propias y las amplitudes de la función de respuesta en frecuencia (FRF). Los parámetros de geometría del componente, como los puntos duros cinemáticos, a menudo afectan múltiples de estos objetivos de manera no intuitiva. En este artículo, presentamos un enfoque práctico para encontrar parámetros optimizados para un diseño de componente que cumpla con una curva objetivo de FRF. Al modificar un modelo de elemento finito del componente inicial, creamos datos de entrenamiento para una red neuronal artificial (ANN) que predice FRFs a partir de la entrada de parámetros de geometría. Luego, la ANN sirve como un metamodelo para un optimizador de algoritmo evolutivo que identifica conjuntos de parámetros de geometría adecuados, cumpliendo con una curva objetivo de FRF. La metodología permite un diseño de componente que considera un FRF como un objetivo del componente. En múltiples ejemplos de simulación, demostramos la capacidad de identificar diseños de componentes modificando características específicas de frecuencia propia o amplitud de las FRFs.