La solución a problemas de optimización multiobjetivo restringidos (CMOPs) requiere optimizar las funciones objetivo mientras se satisfacen las condiciones de restricción. Para abordar efectivamente los CMOPs, los algoritmos deben equilibrar objetivos y restricciones. Sin embargo, la limitada adaptabilidad de técnicas específicas de manejo de restricciones (CHTs) ha obstaculizado la aplicabilidad generalizada de algoritmos evolutivos multiobjetivo restringidos (CMOEAs). Para superar esta limitación, este artículo propone un CMOEA basado en el estado de la población. Primero, se desarrolla un modelo para identificar estados de la población basados en las posiciones de las poblaciones primaria y auxiliar. Se diseñan modelos de selección ambiental adaptados para la población auxiliar según diferentes estados, lo que les permite guiar de manera más efectiva la evolución de la población principal. Al dinamizar los CHTs, el algoritmo propuesto puede adaptarse a una gama más amplia y compleja de CMOPs. Además, se introducen métodos de selección de individuos óptimos específicos del estado, lo que permite a la población auxiliar escapar de óptimos locales y acelerar la exploración. Se incorpora un modelo de asignación de recursos simple pero efectivo para abordar el potencial desperdicio de recursos computacionales asociado con las poblaciones duales, mejorando la utilización de recursos. Se realizaron pruebas exhaustivas, incluidas comparaciones con siete algoritmos de vanguardia, en 47 funciones de referencia y 12 problemas del mundo real. Los resultados experimentales demuestran que el CMOEA propuesto supera a los CMOEAs existentes en su convergencia y diversidad.