Los algoritmos evolutivos han sido ampliamente utilizados para abordar problemas de optimización multiobjetivo, mientras que la selección de características en la clasificación también puede considerarse como un problema de optimización biobjetivo discreto que busca minimizar tanto el error de clasificación como el número de características seleccionadas. Sin embargo, los algoritmos evolutivos multiobjetivo tradicionales (MOEAs) pueden encontrar contratiempos cuando la dimensionalidad de las características se dispara a una escala grande, es decir, la maldición de la dimensionalidad. Por lo tanto, en este artículo, nos centramos en diseñar un marco adaptativo de MOEA para resolver la selección de características biobjetivo, especialmente en conjuntos de datos a gran escala, mediante la adopción de una inicialización híbrida y una reproducción efectiva (llamada HIER). El primero intenta mejorar el estado inicial de la evolución componiendo una población inicial híbrida, mientras que el segundo intenta generar descendencia más efectiva modificando todo el proceso de reproducción. Además, los resultados del experimento estadístico sugieren que HIER generalmente tiene el mejor rendimiento en la mayoría de los 20 conjuntos de datos de prueba, en comparación con seis MOEAs de última generación, en términos de múltiples métricas que abarcan tanto el rendimiento de optimización como de clasificación. Luego, también se estudia la contribución de los componentes de HIER, sugiriendo que cada uno de sus componentes esenciales tiene un efecto positivo. Finalmente, se analiza la complejidad computacional de HIER, sugiriendo que HIER no es para nada consumidor de tiempo y muestra una eficiencia computacional prometedora.