El problema central en el manejo de problemas de optimización multiobjetivo restringidos (CMOP) es cómo mantener un equilibrio entre objetivos y restricciones. Sin embargo, los algoritmos evolutivos multiobjetivo restringidos existentes (CMOEAs) a menudo no logran alcanzar el rendimiento deseado cuando se enfrentan a regiones factibles complejas. A partir de esta base teórica, se propone un algoritmo evolutivo multiobjetivo restringido basado en archivo de dos etapas (CMOEA-TA) basado en algoritmos genéticos (GA). En CMOEA-TA, Primera etapa: El archivo relaja adecuadamente las restricciones en función de la proporción de soluciones factibles y violaciones de restricciones, obligando a la población a explorar más espacio de búsqueda. Segunda etapa: Compartir información valiosa entre el archivo y la población, al tiempo que se incorporan principios de dominancia de restricciones para mejorar la viabilidad de las soluciones. Además, se utilizó una estrategia de selección basada en ángulos para seleccionar soluciones más valiosas y aumentar la diversidad de la población. Para verificar su efectividad, CMOEA-TA se probó en 54 CMOP en 4 conjuntos de pruebas y se compararon 7 algoritmos de vanguardia. Los resultados experimentales muestran que es muy superior a siete competidores en distancia de generación inversa (IGD) y métricas de hipervolumen (HV).