Debido a la complejidad de los problemas de optimización con muchos objetivos, los algoritmos de optimización existentes no pueden resolver todos los problemas de manera efectiva, especialmente aquellos con un frente de Pareto complejo. Para solucionar las deficiencias de los algoritmos existentes, este documento propone un algoritmo coevolutivo basado en una estrategia de aprendizaje dinámico. La evolución se realiza principalmente a través del uso del criterio de Pareto y del criterio no Pareto, respectivamente, para dos poblaciones, y el intercambio de información entre las dos poblaciones se utiliza para explorar mejor todo el espacio objetivo. La estrategia de aprendizaje dinámico actúa en la evolución no Pareto para mejorar la convergencia y la diversidad. Además, se propone un factor de convergencia dinámico, que puede cambiarse según el estado evolutivo de las dos poblaciones. A través de estas estrategias heurísticas efectivas, el algoritmo propuesto puede mantener la convergencia y la diversidad del conjunto de soluciones finales. El algoritmo propuesto se compara con cinco algoritmos de última generación y dos algoritmos basados en suma de pesos en una suite de pruebas con muchos objetivos, y los resultados se miden mediante indicadores de desempeño de distancia generacional invertida y hipervolumen. Los resultados experimentales muestran que, en comparación con los otros cinco algoritmos de última generación, el algoritmo propuesto logró un rendimiento óptimo en 47 de los 90 casos evaluados por los dos indicadores. Cuando se compara el algoritmo propuesto con los algoritmos basados en suma de pesos, 83 de los 90 ejemplos logran un rendimiento óptimo.