Identificar las medidas difusas del modelo integral de Choquet es un componente importante para resolver problemas complicados de toma de decisiones multicriterio (MCDM). Los trabajos anteriores resolvieron el problema anterior utilizando varios modelos de programación matemática y métodos basados en regresión. Sin embargo, al considerar problemas complicados de MCDM (por ejemplo, 10 criterios), la presencia de demasiados parámetros podría resultar en soluciones no disponibles o inconsistentes. Si bien las medidas -aditivas o -simétricas se proporcionan para reducir el número de medidas difusas, no pueden evitar el problema de identificar las medidas difusas en una situación de alta dimensión. Por lo tanto, Sugeno y sus colegas propusieron un modelo integral de Choquet jerárquico para superar el problema, pero requería la información de partición de los criterios, que generalmente no se puede obtener en la práctica. En este documento, propusimos un algoritmo heurístico basado en GA de mínimos cuadrados (HLMS) para construir el modelo integral de Choquet jerárquico y superar los problemas anteriores. El algoritmo genético (GA) se utilizó aquí para determinar automáticamente las variables de entrada de las sub-integrales de Choquet, de acuerdo con el objetivo del error cuadrático medio (MSE), y calcular las medidas difusas con el HLMS. Luego, sumamos estas sub-integrales de Choquet en el integral final de Choquet con el fin de regresión o clasificación. Además, probamos nuestro método con cuatro conjuntos de datos y comparamos estos resultados con el modelo integral de Choquet convencional, el modelo logit y la red neuronal. Basándonos en los resultados, el modelo propuesto fue competitivo con respecto a otros modelos.