Los desafíos de optimización global son frecuentes en áreas científicas e ingenieriles donde se emplean numerosos métodos de computación evolutiva, es decir, evolución diferencial (DE) y optimización por enjambre de partículas (PSO), para abordar estos problemas. Sin embargo, el rendimiento de estos algoritmos disminuye debido a la expansión en la dimensión del problema. Los algoritmos evolutivos se ven obstaculizados para converger con la frontera de Pareto rápidamente al utilizar el algoritmo de optimización a gran escala. Este trabajo propone un esquema de optimización evolutiva multiobjetivo a gran escala asistido por el proceso de puntos determinantes (LSMOEA-DPPs) para abordar este problema. El modelo DPP propuesto introduce un mecanismo que consiste en una matriz de núcleo y un modelo de probabilidad para lograr la convergencia y la variedad de población en un equilibrio de relación de alta dimensión para mantener la diversidad de la población. También hemos empleado la clasificación elitista no dominada para la selección ambiental. Además, el algoritmo proyectado también demuestra y distingue cuatro algoritmos de vanguardia, cada uno con dos y tres objetivos, respectivamente, y hasta 2500 variables de decisión. Los resultados experimentales muestran que LSMOEA-DPPs superan ampliamente a cuatro algoritmos evolutivos multiobjetivo de vanguardia.