El reconocimiento de actividad humana (HAR) es un tema de investigación popular y desafiante impulsado por diversas aplicaciones. Los métodos de aprendizaje profundo se han utilizado para mejorar la precisión y eficiencia de los modelos de HAR. Sin embargo, este tipo de método tiene muchos parámetros ajustados manualmente, lo que le cuesta a los investigadores mucho tiempo para entrenar y probar. Por lo tanto, es un desafío diseñar un modelo adecuado. En este artículo, proponemos HARNAS, un enfoque eficiente para la búsqueda automática de arquitectura para HAR. Inspirados en el popular algoritmo evolutivo multiobjetivo, que tiene una gran capacidad para resolver problemas con múltiples objetivos conflictivos, establecemos el f1-score ponderado, los flops y el número de parámetros como objetos. Además, utilizamos un modelo sustituto para seleccionar modelos con una puntuación alta del gran conjunto de candidatos. Además, los modelos elegidos se agregan al conjunto de entrenamiento del modelo sustituto, lo que hace que el modelo sustituto se actualice a lo largo del proceso de búsqueda. Nuestro método evita el diseño manual de la estructura de red, y los resultados experimentales demuestran que puede reducir el costo de entrenamiento en un 40% tanto en tiempo como en recursos informáticos en el conjunto de datos OPPORTUNITY y en un 75% en el conjunto de datos UniMiB-SHAR. Además, también demostramos la portabilidad del modelo sustituto entrenado y del modelo HAR al transferirlos del conjunto de datos de entrenamiento a un nuevo conjunto de datos.