Las cabinas supersónicas se caracterizan por un alto flujo de calor y una alta densidad de ocupantes, lo que puede afectar negativamente la comodidad, la salud y la eficiencia energética de los pasajeros. Este estudio propuso un marco de optimización multiobjetivo para determinar los parámetros del aire de suministro en una cabina de avión supersónico, evaluando el rendimiento de diferentes métodos de optimización. La optimización se centró en tres objetivos de diseño: confort térmico (PMV), frescura del aire (edad del aire) y la diferencia de temperatura entre el aire de suministro y el aire de escape. Se compararon dos métodos de cálculo rápido: Descomposición Ortogonal Apropiada (POD) y Redes Neuronales Artificiales (ANN), junto con dos algoritmos de optimización: Algoritmo Genético Multiobjetivo (MOGA) y búsqueda de Pareto. Los resultados indican que el método POD tiene un menor error cuadrático medio relativo en comparación con el método ANN. El error cuadrático medio relativo del método ANN al predecir el PMV es 2.7 veces mayor que el del método POD y 3.9 veces mayor en la predicción de la edad del aire. El algoritmo de búsqueda de Pareto superó a MOGA en eficiencia computacional, generando 3.3 veces más soluciones óptimas de Pareto en menos tiempo. Se utilizó el método de peso de entropía para asignar peso a ambos algoritmos de optimización, revelando que ninguno de los algoritmos logró un rendimiento óptimo universal en todos los objetivos. Por lo tanto, seleccionar la mejor solución requiere alinear los resultados de la optimización con prioridades de diseño específicas.