Los recientes avances en la computación en la nube, los modelos de lenguaje grandes y el aprendizaje profundo han iniciado una carrera para crear centros masivos de computación de alto rendimiento (HPC) en todo el mundo. Estos centros aumentan su consumo de energía proporcionalmente a sus capacidades de computación; por ejemplo, según la organización top 500, los centros HPC Frontier, Aurora y Super Computer Fugaku reportan consumos de energía de 22,786 kW, 38,698 kW y 29,899 kW, respectivamente. Actualmente, la programación consciente de la energía es un tema de interés para muchos investigadores. Sin embargo, hasta donde sabemos, este trabajo es el primer enfoque que considera el consumo de energía en reposo por las unidades HPC y la posibilidad de apagar por completo las unidades no utilizadas, impulsado por una función objetivo cuantitativa. Encontramos que incluso al apagar las máquinas no utilizadas, los objetivos de tiempo de ejecución y consumo de energía siguen en conflicto y, por lo tanto, tienen una naturaleza de optimización multiobjetivo. Este trabajo presenta resultados empíricos para AGEMOEA, AGEMOEA2, GWASFGA, MOCell, MOMBI, MOMBI2, NSGA2 y SMS-EMOA. El algoritmo de mejor rendimiento es MOCell para las 400 pruebas reales de problemas de programación. En contraste, el algoritmo de mejor rendimiento es GWASFGA para un banco de pruebas sintético de pequeña instancia.