El algoritmo de optimización evolutiva multiobjetivo (MOEA) es un enfoque desafiante pero crítico para abordar problemas complejos de análisis de datos. Sin embargo, los MOEAs predominantes a menudo dependen de estrategias individuales para obtener soluciones óptimas, lo que conduce a preocupaciones como la convergencia prematura y la insuficiente diversidad de población, especialmente en escenarios de datos de alta dimensionalidad. En este documento, proponemos un nuevo algoritmo de generación de población adversaria, APG-SMOEA, que combina de manera sinérgica los beneficios de los MOEAs y las Redes Generativas Adversarias (GANs) para abordar estas limitaciones. Con el fin de equilibrar la eficiencia y la calidad de la selección de descendencia, introducimos una estrategia adaptativa de entropía de población, que incluye parámetros de control basados en la entropía de población y un pool de aprendizaje para almacenar y recuperar soluciones óptimas. Además, intentamos aliviar los problemas de complejidad de entrenamiento y colapso de modelos comunes en GANs con APG-SMOEA. Los resultados experimentales en benchmarks demuestran que el algoritmo propuesto es superior a los algoritmos existentes en términos de calidad de solución y diversidad de datos complejos de baja o alta dimensionalidad.