Resolver problemas de optimización global es un desafío significativo, especialmente en espacios de alta dimensionalidad. Este documento propone un marco de optimización multistart selectivo que emplea una técnica modificada de Muestreo Latino Hiperbólico (LHS) para mantener una tasa constante de cobertura del espacio de búsqueda, junto con Aritmética de Intervalos (IA) para priorizar puntos de muestreo. La metodología propuesta aborda limitaciones clave de los métodos multistart convencionales, como la disminución exponencial en la cobertura del espacio con el aumento de la dimensionalidad. Prioriza puntos de muestreo aprovechando los hipercubos generados a través de LHS y sus intervalos correspondientes, guiando el proceso de optimización hacia regiones más propensas a contener el mínimo global. A diferencia de los métodos multistart convencionales, que asumen un muestreo uniforme sin cuantificar la cobertura espacial, el enfoque propuesto construye intervalos alrededor de cada punto de muestra, lo que permite una estimación explícita y control de espacio de búsqueda explorado. Experimentos numéricos en funciones de referencia conocidas demuestran mejoras en la eficiencia de cobertura del espacio e identificación mejorada de mínimos locales/globales. El marco propuesto ofrece un enfoque prometedor para problemas de optimización a gran escala que se encuentran con frecuencia en aprendizaje automático, inteligencia artificial y dominios intensivos en datos.