Proponemos un método para acelerar la optimización evolutiva multiobjetivo (EMO) utilizando un punto de convergencia estimado. La mejora de Pareto desde la última generación hasta la generación actual proporciona información sobre áreas prometedoras de soluciones de Pareto tanto en un espacio objetivo como en un espacio de parámetros. Utilizamos esta información para construir un conjunto de vectores móviles y estimar un punto de Pareto no dominado a partir de estos vectores móviles. En este trabajo, intentamos utilizar diferentes métodos para construir vectores móviles y utilizar el punto de convergencia estimado mediante el uso de los vectores móviles para acelerar la búsqueda de EMO. A partir de nuestros resultados de evaluación, encontramos que el paisaje de mejora de Pareto tiene una característica de distribución unimodal en un espacio objetivo y una característica de distribución multimodal en un espacio de parámetros. Nuestro método propuesto puede mejorar la búsqueda de EMO cuando el paisaje de mejora de Pareto tiene una característica de distribución unimodal en un espacio de parámetros, y también lo hace por casualidad cuando el paisaje de mejora de Pareto tiene una característica de distribución multimodal en un espacio de parámetros. Los métodos propuestos no solo pueden obtener más soluciones de Pareto en comparación con el algoritmo convencional de ordenación no dominante genética (NSGA)-II, sino que también pueden aumentar la diversidad de soluciones de Pareto. Esto indica que nuestro método propuesto puede mejorar la capacidad de búsqueda de EMO tanto en la dominancia de Pareto como en la diversidad de soluciones. También encontramos que el método de construcción de vectores móviles es un problema principal para el éxito de nuestro método propuesto. Analizamos y discutimos este método con varios métricos de evaluación y pruebas estadísticas. El método propuesto tiene el potencial de mejorar la EMO al incorporar métodos de aprendizaje determinísticos en algoritmos de optimización estocástica.