La observación faltante es un problema común en experimentos científicos e industriales, especialmente en experimentos a pequeña escala. A menudo presentan desafíos significativos cuando la repetición del experimento no es factible. En esta investigación, proponemos un algoritmo genético multiobjetivo como una alternativa práctica para generar diseños de mezcla óptimos que permanezcan robustos frente a la observación faltante. Nuestro algoritmo prioriza diseños que exhiben una D-eficiencia superior al tiempo que mantienen una D-eficiencia mínima alta debido a las observaciones faltantes. El enfoque en la D-eficiencia se debe a su capacidad para minimizar el impacto de las observaciones faltantes en las estimaciones de parámetros, garantizar la fiabilidad en todo el espacio experimental y maximizar la utilidad de los datos disponibles. Estudiamos problemas con tres componentes de mezcla donde la región experimental es un politopo de forma irregular dentro del simplex. Nuestros diseños han demostrado ser diseños D-óptimos, demostrando un rendimiento excepcional en términos de D-eficiencia y robustez frente a las observaciones faltantes. Proporcionamos un conjunto bien distribuido de diseños óptimos derivados de la frontera de Pareto, lo que permite a los experimentadores seleccionar el diseño más adecuado en función de sus prioridades utilizando la función de deseabilidad.