En radioterapia de intensidad modulada, los planificadores de tratamiento buscan irradiar el tumor de acuerdo con una prescripción médica mientras se evitan en la medida de lo posible los órganos circundantes en riesgo. Aunque este problema es inherentemente un problema de optimización multiobjetivo (MO), la mayoría de los modelos en la literatura son de objetivo único. Por esta razón, se han propuesto en la literatura una gran cantidad de algoritmos de objetivo único para resolver dichos modelos en lugar de los multiobjetivo. Además, una dificultad a la que uno se enfrenta al resolver la versión MO del problema es que los algoritmos tardan demasiado en converger a un conjunto de puntos (aproximadamente) no dominados. En este documento, proponemos y comparamos tres estrategias diferentes, a saber, búsqueda local de Pareto aleatoria (rPLS), búsqueda local de Pareto guiada por función de juicio (jPLS) y búsqueda local de Pareto vecino primero (nPLS), para acelerar un algoritmo de búsqueda local de Pareto previamente propuesto para resolver el problema de selección de ángulo de haz en IMRT. Una característica distintiva de estas estrategias en comparación con los algoritmos de PLS en la literatura es que no evalúan todo su vecindario antes de realizar el análisis de dominancia. El algoritmo rPLS elige aleatoriamente la siguiente solución no dominada en el archivo y se utiliza como referencia para los otros algoritmos implementados. El algoritmo jPLS elige primero la solución no dominada en el archivo que tiene el mejor valor de función objetivo. Finalmente, el algoritmo nPLS elige primero las soluciones que están dentro del vecindario de la solución actual. Todas estas estrategias nos evitan evaluar un gran conjunto de BACs, sin ningún deterioro importante en la calidad de las soluciones obtenidas. Aplicamos nuestros algoritmos a un caso de próstata y comparamos los resultados obtenidos con los obtenidos por el PLS de la literatura. Los resultados muestran que los algoritmos propuestos en este documento alcanzan un rendimiento similar al PLS y requieren menos evaluaciones de funciones.