La optimización multiobjetivo (MOO) de sistemas complejos sigue siendo una tarea desafiante en los dominios de la ingeniería. El enfoque metodológico de aplicar algoritmos MOO a modelos habilitados para simulación se ha establecido como un estándar. A pesar del aumento en la potencia computacional, la efectividad y eficiencia de tales algoritmos, es decir, su capacidad para identificar la mayor cantidad posible de soluciones óptimas de Pareto con la menor cantidad posible de muestras de simulación, juega un papel decisivo. Sin embargo, la cuestión de qué clase de algoritmos MOO es más efectiva o eficiente con respecto a qué clase de problemas aún no se ha resuelto. Para abordar este problema de rendimiento, se han propuesto algoritmos de optimización híbridos que combinan múltiples estrategias de búsqueda elementales. A pesar de su potencial, aún no se ha sugerido un enfoque sistemático para seleccionar y combinar estrategias de búsqueda de Pareto elementales. En este artículo, proponemos un enfoque para diseñar algoritmos híbridos MOO que utiliza técnicas de aprendizaje por refuerzo (RL) para entrenar a un agente inteligente para seleccionar y combinar dinámicamente estrategias de búsqueda MOO elementales. Presentamos tanto la metodología fundamental MOO Híbrido Basada en RL (RLhybMOO) como una implementación ejemplar aplicada a funciones de prueba matemáticas. Los resultados indican una ganancia de rendimiento significativa de los agentes inteligentes sobre estrategias de búsqueda híbridas elementales y estáticas, destacando su capacidad para seleccionar algoritmos de manera efectiva y eficiente.