La estrategia de evolución de adaptación de matriz de covarianza estándar (CMA-ES) es altamente efectiva para localizar un único óptimo global. Sin embargo, muestra un rendimiento insatisfactorio para resolver problemas de optimización multimodal (MMOPs). En este artículo, se propone un algoritmo mejorado basado en el MA-ES, llamado estrategia de evolución de adaptación de matriz con algoritmo de optimización multiobjetivo, para resolver problemas de optimización multimodal (MA-ESN-MO). Aprovechando la optimización multiobjetivo para mantener la diversidad de la población, MA-ESN-MO transforma un MMOP en un problema de optimización biobjetivo. Se emplea un archivo para guardar mejores soluciones y mejorar la convergencia del algoritmo. Además, los picos encontrados por el algoritmo pueden mantenerse hasta el final de la ejecución. Se utilizan múltiples subpoblaciones para explorar y explotar en paralelo y encontrar múltiples soluciones óptimas para el problema dado. Los resultados experimentales en los problemas de prueba CEC2013 muestran que la adaptación de matriz de covarianza con Niching y el algoritmo de optimización multiobjetivo (CMA-NMO), CMA Niching con la Métrica de Mahalanobis y el algoritmo de optimización multiobjetivo (CMA-NMM-MO), y la estrategia de evolución de adaptación de matriz con Niching y el algoritmo de optimización multiobjetivo (MA-ESN-MO) tienen un rendimiento generalmente mejor en comparación con la estrategia de evolución de adaptación de matriz de covarianza (CMA-ES), estrategia de evolución de adaptación de matriz (MA-ES), CMA Niching (CMA-N), CMA-ES Niching con Métrica de Mahalanobis (CMA-NMM) y MA-ES-Niching (MA-ESN).