El empleo de procedimientos de optimización convencionales que deben ser invocados repetidamente durante el proceso de optimización en aplicaciones de ingeniería del mundo real se ve obstaculizado a pesar de los significativos avances en la potencia de cálculo por modelos computacionalmente costosos. Como resultado, se utilizan modelos de sustitución que requieren mucho menos tiempo y recursos para analizar en lugar de estos análisis que consumen mucho tiempo. En problemas de optimización multiobjetivo (MOO) que involucran técnicas costosas de análisis y simulación como modelado y simulación multiphysics, análisis de elementos finitos (FEA) y dinámica de fluidos computacional (CFD), se descubre que los modelos de sustitución son un esfuerzo prometedor, especialmente para la optimización de problemas de diseño de ingeniería complejos que involucran funciones de caja negra. Con el fin de reducir el gasto de evaluaciones de funciones de aptitud y localizar la frontera de Pareto para problemas MOO, se propone el algoritmo MOO de búsqueda de Pareto basado en modelos de sustitución multiobjetivo automatizado (AMSP). Utilizando muestras de datos tomadas de la región de diseño factible, el algoritmo crea tres modelos de sustitución. El algoritmo repite el proceso de muestreo y actualización del conjunto de Pareto, asignando factores de ponderación a esos modelos de sustitución de acuerdo con los valores del error cuadrático medio, hasta que se descubre una frontera de Pareto. AMSP se empleó con éxito para identificar el conjunto de Pareto y la frontera de Pareto. Utilizando funciones de prueba de benchmark multiobjetivo y ejemplos de diseño de ingeniería como la geometría de la forma del perfil del aerofolio de una turbina eólica, se puso a prueba el enfoque único. El costo de computar los óptimos de Pareto para funciones de prueba y problemas reales de diseño de ingeniería se reduce, y se obtuvieron resultados prometedores.