Al resolver problemas complejos restringidos, cómo utilizar eficientemente las soluciones inviables prometedoras es un problema esencial porque estas soluciones inviables prometedoras pueden mejorar significativamente la diversidad de los algoritmos. Sin embargo, la mayoría de los algoritmos evolutivos multiobjetivo restringidos existentes (CMOEAs) no explotan completamente estas soluciones inviables prometedoras. Para resolver este problema, se propone un algoritmo evolutivo de optimización multiobjetivo restringido basado en el método de límite de restricción dinámica (CDCBM). El algoritmo propuesto busca continuamente soluciones inviables prometedoras entre UPF (frente de Pareto no restringido) y CPF (frente de Pareto restringido) durante el proceso evolutivo mediante el cambio dinámico de la población auxiliar del límite de restricción, que proporciona continuamente direcciones evolutivas complementarias a la población principal y mejora la convergencia y diversidad de la población principal. Experimentos extensos en tres conjuntos de pruebas bien conocidos y tres problemas de optimización multiobjetivo restringidos del mundo real demuestran que CDCBM es más competitivo que siete CMOEAs de última generación.