En este documento, abordamos el problema de obtener aproximaciones de tamaño finito, libres de sesgo y completas de los conjuntos de soluciones (frentes de Pareto) de problemas de optimización multiobjetivo (MOPs). Tales aproximaciones son, en particular, necesarias para el uso justo de indicadores de rendimiento basados en la distancia, que se utilizan con frecuencia en la optimización multiobjetivo evolutiva (EMO). Si las aproximaciones de los frentes de Pareto están sesgadas o son incompletas, el uso de estos indicadores de rendimiento puede llevar a información engañosa o falsa. Para abordar este problema, proponemos el Generador de Conjuntos de Referencia (RSG), que puede, en principio, aplicarse a frentes de Pareto de cualquier forma y dimensión. Finalmente, demostramos la fortaleza del nuevo enfoque en varios problemas de referencia.