Los problemas de optimización práctica suelen ser demasiado complejos para formularse exactamente. Conocer múltiples buenas alternativas puede ayudar a los tomadores de decisiones a cambiar fácilmente de soluciones cuando sea necesario, como cuando se enfrentan a restricciones imprevistas. Una tarea de optimización multimodal tiene como objetivo encontrar múltiples óptimos globales, así como óptimos locales de alta calidad de un problema de optimización. Los algoritmos evolutivos con técnicas de nicho se utilizan comúnmente para tales problemas, donde se requiere una estimación aproximada del número de óptimos para determinar el tamaño de la población. En este documento, se propone un método de búsqueda aleatoria basado en particiones, en el que todo el dominio factible se divide en subregiones cada vez más pequeñas de forma iterativa. Las regiones prometedoras se dividen más rápido que las regiones no prometedoras, por lo tanto, las áreas prometedoras se explotarán antes que las áreas no prometedoras. Todas las áreas prometedoras se explotan en paralelo, lo que permite encontrar múltiples buenas soluciones en una sola ejecución. El método propuesto no requiere conocimiento previo sobre el número de óptimos y no es sensible al parámetro de distancia. Al cooperar con la búsqueda local para refinar las soluciones obtenidas, el método propuesto demuestra un buen rendimiento en muchas funciones de referencia con múltiples óptimos globales. Además, en problemas con numerosos óptimos locales, los óptimos locales de alta calidad se capturan antes que los óptimos locales de baja calidad.