Los algoritmos evolutivos basados en la descomposición para muchos objetivos (D-MaOEAs) son excelentes para mantener la diversidad de población para vectores o puntos de referencia predefinidos. Sin embargo, los estudios indican que el rendimiento de un D-MaOEA depende fuertemente de la similitud entre la forma de los vectores de referencia (puntos) y la PF (un conjunto de soluciones óptimas de Pareto que simbolizan el equilibrio entre los objetivos de problemas de optimización de muchos objetivos) del problema de muchos objetivos (MaOP). Generalmente, los MaOPs con PFs esperadas no son realistas. En consecuencia, la débil similitud inevitable resulta en muchos subespacios inactivos, creando enormes dificultades para mantener la diversidad. Para abordar estos problemas, proponemos un método de dos estados para juzgar el estado de descomposición según el número de vectores de referencia inactivos. Luego, dos estrategias novedosas de ajuste de vectores de referencia, como parte del enfoque de selección ambiental, están diseñadas para los dos estados para eliminar vectores de referencia inactivos y agregar nuevos vectores de referencia activos, respectivamente, con el fin de garantizar que los vectores de referencia estén lo más cerca posible de la PF del problema de optimización. Basándonos en las estrategias anteriores y en un indicador eficiente de rendimiento de convergencia, se desarrolla en este documento un D-MaOEA dinámico de dos estados basado en vectores de referencia activos, denominado ART-DMaOEA. Se realizaron experimentos extensos en ART-DMaOEA y cinco MaOEAs de última generación en MaF1-MaF9 y WFG1-WFG9, y los resultados comparativos muestran que ART-DMaOEA tiene el rendimiento general más competitivo.