Los problemas de optimización multiobjetivo a menudo enfrentan desafíos para equilibrar la precisión de la solución, la eficiencia computacional y la velocidad de convergencia. Muchos métodos existentes luchan por lograr un equilibrio óptimo entre la exploración y la explotación, lo que lleva a una convergencia prematura o costos computacionales excesivos. Para abordar estos problemas, este artículo propone un enfoque basado en la descomposición caótica que aprovecha las propiedades ergódicas de los mapas caóticos para mejorar el rendimiento de la optimización. El método propuesto consta de tres etapas clave: (1) inicialización de secuencia caótica, que genera una población diversa para mejorar la búsqueda global y reducir los costos computacionales; (2) corrección basada en el caos, que integra un operador de tres puntos (TPO) y un operador de mejora local (LIO) para refinar el frente de Pareto y equilibrar los compromisos entre exploración y explotación; y (3) actualización basada en la descomposición de Tchebycheff, garantizando una convergencia eficiente hacia soluciones óptimas. Para validar la efectividad del método propuesto, realizamos experimentos extensos en una serie de problemas de referencia y comparamos su rendimiento con varios métodos de vanguardia. Las métricas de evaluación, incluida la distancia generacional invertida (IGD), la distancia generacional (GD) y el espaciado (SP), demostraron que el método propuesto logra una precisión y eficiencia de optimización competitivas. Manteniendo la viabilidad computacional, nuestro enfoque proporciona un equilibrio óptimo entre exploración y explotación, lo que conduce a una mayor diversidad de soluciones y estabilidad de convergencia. Los resultados establecen el algoritmo propuesto como una alternativa prometedora para resolver problemas de optimización multiobjetivo.