Los problemas de optimización multiobjetivo son hoy cada vez más comunes. El enfoque basado en la descomposición destaca entre los algoritmos evolutivos utilizados para su solución, con MOEA/D y sus variaciones desempeñando roles significativos. Las variaciones de MOEA/D buscan mejorar la definición del vector de pesos, mejorar el ajuste dinámico de los vectores de pesos durante el proceso evolutivo, mejorar los operadores evolutivos, utilizar métodos de descomposición alternativos, e hibridarse con otras metaheurísticas, entre otros. Aunque un tema esencial para el éxito de MOEA/D depende de lo bien que estén definidos los vectores de pesos al descomponer el problema, no se ha realizado tanta investigación sobre este tema como sobre los demás. Este documento propone utilizar un nuevo objeto matemático llamado matrices de cobertura aumentadas (ACAs) que permiten un muestreo mejor de las interacciones de M objetivos utilizando el menor número de vectores de pesos basado en un nivel de interacción (fortaleza), definido de antemano por el usuario. El método propuesto obtiene mejores resultados, medidos en distancia generacional invertida, utilizando poblaciones pequeñas a medianas (hasta 850 soluciones) de 30 a 100 objetivos sobre problemas DTLZ y WFG en comparación con la definición tradicional de vectores de pesos utilizada por MOEA/D-DE y los resultados obtenidos por NSGA-III. Otras variaciones de MOEA/D pueden incluir el enfoque propuesto y así mejorar sus resultados.