Obtener alta convergencia y distribuciones uniformes sigue siendo un desafío importante en la mayoría de los problemas de optimización multiobjetivo metaheurísticos. En este artículo, se propone un nuevo algoritmo de optimización multiobjetivo de enjambre de partículas (PSO) basado en mutación gaussiana y una estrategia de aprendizaje mejorada. El enfoque adopta una estrategia de mutación gaussiana para mejorar la uniformidad de los archivos externos y las poblaciones actuales. Para mejorar la solución óptima global, se proponen diferentes estrategias de aprendizaje para soluciones no dominadas y dominadas. Se presenta un indicador para medir la amplitud de distribución del conjunto de soluciones no dominadas, que es producido por varios algoritmos. Se realizaron experimentos utilizando ocho funciones de prueba de referencia. Los resultados ilustran que el algoritmo multiobjetivo PSO mejorado (MOIPSO) produce una mejor convergencia y distribuciones que los otros dos algoritmos, y el indicador de amplitud de distancia es razonable y efectivo.