Una de las principales limitaciones de los algoritmos evolutivos basados en la medida de Lebesgue para la optimización multiobjetivo es el costo computacional necesario para aproximar el frente de Pareto de un problema. Sin embargo, la propiedad de cumplimiento de Pareto de la medida de Lebesgue la convierte en uno de los indicadores más investigados en el diseño de algoritmos evolutivos basados en indicadores (IBEAs). La principal deficiencia de los IBEAs que utilizan la medida de Lebesgue es su costo computacional, que aumenta con el número de objetivos del problema. En este sentido, la investigación presentada en este artículo introduce un algoritmo evolutivo basado en la medida de Lebesgue para tratar problemas de optimización multiobjetivo continuos con restricciones de caja. El algoritmo propuesto utiliza implícitamente la propiedad de regularidad de problemas de optimización multiobjetivo continuos que ha demostrado ser efectiva al resolver problemas continuos con conjuntos de Pareto irregulares. Por otro lado, el mecanismo de selección de supervivencia considera la propiedad local de la medida de Lebesgue, reduciendo así el tiempo computacional en nuestro enfoque algorítmico. El emergente algoritmo evolutivo basado en indicadores es examinado y comparado con tres algoritmos evolutivos multiobjetivo de vanguardia basados en la medida de Lebesgue. Además, validamos su rendimiento en un conjunto de problemas de prueba artificiales con diversas características, incluyendo multimodalidad, separabilidad y diversas formas de frente de Pareto, incorporando concavidad, convexidad y discontinuidad. Para un estudio más exhaustivo, el algoritmo propuesto es evaluado en tres aplicaciones del mundo real que tienen cuatro, cinco y siete funciones objetivo cuyas propiedades son desconocidas. Mostramos la alta competitividad de nuestro enfoque propuesto, que en muchos casos mejoró a los algoritmos evolutivos basados en indicadores de vanguardia en los problemas multiobjetivo adoptados en nuestra investigación.