El objetivo general de este proyecto es comprender el problema de la aumentación de conjuntos de datos y las debilidades presentadas en el entrenamiento de modelos de Redes Neuronales Generativas Antagónicas (GANs). El producto de software desarrollado es una nueva versión de Lipizzaner, un framework co-evolutivo para entrenamiento distribuidos de GANs, que soporta optimización multiobjetivo. Esto implicó la implementación de funciones de aptitud multidimensionales y la incorporación de Algoritmos Evolutivos Multiobjetivo (MOEAs). Los MOEAs implementados fueron NSGA–II, FV–MOEA y MOEA/D, representantes de las tres categorías principales de MOEA: basados en Pareto, basados en indicadores y basados en decomposición. Además, se adaptó el esquema de distribución de Lipizzaner al paradigma de pasaje de mensajes con MPI. El proyecto se enfocó en el problema de la generación de conjuntos de imágenes diversos, por lo que se agregaron funciones de costo en diversdad (E–GAN y GDPP) y métricas de evaluación para estudiar la fidelidad (densidad y FID) y la diversidad (cubrimiento) de los datos generados. Los MOEAs desarrollados se evaluaron sobre el conjunto de datos CelebA y se compararon entre sí y con la versión original de Lipizzaner. Se obtuvieron resultados favorables a la superioridad de MOEA/D en cubrimiento y FID. Sin embargo, la versión original de Lipizzaner obtuvo mejores resultados en densidad que los MOEAs propuestos. En general, se concluyó que es posible utilizar MOEAs para mejorar la diversidad de los datos generados por modelos entrenados en Lipizzaner, a costa de una reducción razonable en fidelidad. Esto motiva a la continuidad de esta investigación y a la mejora de la solución diseñada, para lo que se proponen posibles líneas de trabajo futuro.