Muchos problemas prácticos pueden clasificarse como problemas de optimización multiobjetivo restringidos. Aunque se han propuesto varios métodos para resolver problemas de optimización multiobjetivo restringidos, todavía hay una falta de investigación que considere la integración de múltiples técnicas de manejo de restricciones. Dado esto, este documento combina el método de separación de objetivos y restricciones con el método de múltiples operadores, proponiendo un método de optimización evolutiva restringida autónoma guiada por el estado de viabilidad de la población. Este método primero define el estado de viabilidad de la población basado en la viabilidad y factibilidad de las soluciones. Posteriormente, se emplea un modelo de aprendizaje por refuerzo para construir un modelo de mapeo entre el estado de la población y los operadores de reproducción. Finalmente, basándose en el estado de la población en tiempo real, el modelo de mapeo se utiliza para recomendar el operador de reproducción prometedor para la próxima generación. Este enfoque demuestra una mejora significativa en el rendimiento para los mecanismos restringidos en algoritmos de optimización multiobjetivo restringidos, y muestra ventajas considerables en comparación con los algoritmos de optimización multiobjetivo restringidos de última generación.