La optimización es un proceso de minimizar o maximizar una función objetivo dada bajo restricciones especificadas. En la optimización multiobjetivo (MOO), se optimizan múltiples funciones conflictivas dentro de criterios definidos. Numerosas técnicas de MOO han sido desarrolladas utilizando varios métodos metaheurísticos como Algoritmos Evolutivos (EAs), Algoritmos Genéticos (GAs) y otros procesos inspirados biológicamente. En un entorno cooperativo, se genera un frente de Pareto y se aplica una técnica de MOO para resolver el conjunto de soluciones. Por otro lado, la Toma de Decisiones Multicriterio (MCDM) se utiliza a menudo para seleccionar una única mejor solución de un conjunto de candidatos de solución proporcionados. El optimizador Toma de Decisiones Multicriterio-Frente de Pareto (M-PF) combina ambas técnicas para encontrar un conjunto de soluciones heurísticas de calidad. Este artículo proporciona una versión mejorada del optimizador M-PF, llamado optimizador elite Toma de Decisiones Multicriterio-Frente de Pareto (eMPF). El método eMPF utiliza un algoritmo evolutivo para el proceso metaheurístico y luego genera un frente de Pareto y aplica MCDM al frente de Pareto para clasificar las soluciones en el conjunto. El objetivo principal del nuevo optimizador es explotar el frente de Pareto mientras explora el área de soluciones. El rendimiento del método desarrollado se prueba contra M-PF, Algoritmo Genético de Ordenación No Dominada-II (NSGA-II) y Algoritmo Genético de Ordenación No Dominada-III (NSGA-III). Los resultados de la prueba demuestran el rendimiento del nuevo optimizador eMPF sobre M-PF, NSGA-II y NSGA-III. eMPF no solo pudo explotar el dominio de búsqueda, sino que también pudo encontrar mejores soluciones heurísticas para la mayoría de las funciones de prueba utilizadas.