Al construir una cartera de inversión, es importante maximizar los rendimientos mientras se minimizan los riesgos. Esta optimización de cartera se puede considerar como un problema de optimización multiobjetivo que se resuelve mediante algoritmos evolutivos multiobjetivo. El uso de algoritmos evolutivos multiobjetivo (MOEAs) proporciona un enfoque efectivo para tratar los datos complejos involucrados en problemas de optimización multiobjetivo. Sin embargo, los MOEAs actuales a menudo se basan en una sola estrategia para obtener soluciones óptimas, lo que lleva a una convergencia prematura y a una diversidad de población insuficiente. En este documento, se propone un nuevo MOEA llamado el (DPG-SMOEA) para abordar estas limitaciones mediante la integración de MOEAs con modelos de difusión. Para entrenar el modelo de difusión, se optimiza una estrategia de memoria mixta, que recopila soluciones mejoradas del MOEA/D-AEE, un MOEA optimizado, como muestras de entrenamiento. El modelo entrenado se utiliza luego para generar descendencia. Teniendo en cuenta el mecanismo de inicio en frío del modelo de difusión, especialmente durante la fase de entrenamiento donde no es adecuado para generar descendencia inicial, este documento ajusta y optimiza la estrategia colaborativa para mejorar la sinergia entre el modelo de difusión y el MOEA/D-AEE. La validación experimental del DPG-SMOEA demuestra las ventajas de utilizar modelos de difusión en el análisis de datos de baja dimensión y relativamente continuos. Los resultados muestran que el DPG-SMOEA tiene un buen desempeño en el conjunto de datos de prueba del índice Hang Seng de baja dimensión, mientras que logra un rendimiento promedio en otros conjuntos de datos de alta dimensión, consistente con las predicciones teóricas. En general, el DPG-SMOEA logra mejores resultados en comparación con el MOEA/D-AEE y otros algoritmos de optimización multiobjetivo.