La detección de comunidades es una dirección de investigación crucial en el análisis de redes complejas y se ha demostrado que es un problema NP-duro (un problema que es al menos tan difícil como los problemas más difíciles en tiempo polinómico no determinista). Los algoritmos evolutivos multiobjetivo (MOEAs) han demostrado un rendimiento prometedor en la detección de comunidades. Dado que distintos operadores de cruce son adecuados para varias etapas de la evolución del algoritmo, proponemos un algoritmo de dos etapas que utiliza un parámetro de similitud individual para dividir el algoritmo en dos etapas. Empleamos operadores de cruce apropiados para cada etapa para lograr un rendimiento óptimo. Además, se aplica una operación de reparación a nodos independientes del límite durante la segunda fase del algoritmo, lo que resulta en una mejora de los resultados de partición de comunidades. Evaluamos la efectividad del algoritmo midiendo su rendimiento en una red sintética y cuatro conjuntos de datos de redes del mundo real. En comparación con cuatro métodos competidores existentes, nuestro algoritmo logra una mayor precisión y estabilidad.