Este estudio investiga la aplicación del método de Aprendizaje por Refuerzo Multi-Objetivo Basado en Dominancia (MORL-DB) al diseño óptimo de sistemas mecánicos complejos. El método MORL-DB emplea un agente de Gradiente de Política Determinista Profunda (DDPG) para identificar las soluciones óptimas del problema multi-objetivo. Al adoptar la métrica de -optimalidad, que introduce un ranking de optimalidad dentro del conjunto de soluciones pareto-óptimas, se puede elegir una solución de diseño final más fácilmente, especialmente al considerar un gran número de funciones objetivo. El método se aplica con éxito a la optimización elasto-cinética de un sistema de suspensión de doble horquilla, que cuenta con un modelo multi-cuerpo en ADAMS Car. Esta tarea de diseño compleja incluye 30 variables de diseño y 14 funciones objetivo. El método MORL-DB se compara con otros dos enfoques: el método de Esferas Móviles (MS), desarrollado específicamente para tareas de diseño espacial, y el algoritmo genético con ordenación basada en -optimalidad (KEMOGA). Los resultados comparativos muestran que el método MORL-DB logra soluciones de mayor optimalidad mientras requiere significativamente menos evaluaciones de funciones objetivo. Los resultados demuestran que el método MORL-DB es una alternativa prometedora y eficiente en muestras para la optimización multi-objetivo, particularmente en problemas que involucran espacios de diseño de alta dimensión y evaluaciones costosas de funciones objetivo.