Al abordar problemas de optimización multiobjetivo restringidos (CMOPs), el desafío clave radica en lograr un equilibrio entre las funciones objetivo y las condiciones de restricción. Sin embargo, los algoritmos evolutivos existentes presentan ciertas limitaciones al abordar CMOPs con regiones factibles complejas. Para abordar este problema, este documento propone un algoritmo evolutivo multiobjetivo restringido basado en una correlación cooperativa de doble población (CMOEA-DCC). Bajo el marco de CMOEA-DCC, el sistema mantiene dos poblaciones que evolucionan de forma independiente: la población impulsora y la población convencional. Estas dos poblaciones comparten información a través de un mecanismo de interacción colaborativa, donde la población impulsora se enfoca en la optimización de objetivos, mientras que la población convencional equilibra tanto los objetivos como las restricciones. Para mejorar aún más el rendimiento del algoritmo, se introduce un método de estimación de densidad basado en el cambio (SDE) para mantener la diversidad de soluciones en la población impulsora, mientras que se adopta una métrica de evaluación multicriterio para mejorar la calidad de factibilidad de las soluciones en la población normal. CMOEA-DCC se comparó con siete algoritmos evolutivos multiobjetivo restringidos (CMOEAs) representativos en varios problemas de prueba y escenarios de aplicación del mundo real. A través de un análisis en profundidad de una serie de resultados experimentales, se puede concluir que CMOEA-DCC supera significativamente a los otros algoritmos competidores en términos de rendimiento.