La maximización de la influencia es un tema clave de estudio en el análisis de redes sociales. Se refiere a seleccionar un conjunto de usuarios semilla de una red social y maximizar el número de usuarios que se espera que se vean afectados. Muchos trabajos de investigación relacionados con el problema clásico de maximización de influencia se han centrado en aumentar la propagación de la influencia, omitiendo el costo de los nodos semilla en el proceso de difusión. En este trabajo, se propone un algoritmo de búsqueda de cornejas multiobjetivo (MOCSA) para optimizar el problema con la máxima propagación de influencia y el costo mínimo basado en un esquema evolutivo discreto redefinido. Específicamente, la configuración de parámetros basada en la estrategia de control dinámico y la estrategia de caminata aleatoria basada en agujeros negros se adoptan para mejorar la eficiencia de convergencia de MOCSA. Se seleccionaron seis redes sociales reales para experimentos y se analizaron en comparación con otros algoritmos avanzados. Los resultados de los experimentos indican que nuestro algoritmo propuesto MOCSA funciona mejor que el algoritmo de referencia en la mayoría de los casos y mejora el valor total de la función objetivo en más del 20%. Además, el tiempo de ejecución de MOCSA también se ha reducido de manera efectiva.