Muitos problemas do mundo real podem ser representados como um problema de otimização multiobjetivo ou com muitos objetivos. Tais problemas não possuem uma única solução, mas um conjunto de soluções ótimas. Essa característica faz com que o uso de Algoritmos Evolutivos Multiobjetivo (AEMOs) seja interessante para resolver esses tipos de problemas, visto que eles são capazes de aproximar o conjunto de soluções em uma execução. Os AEMOs podem ser divididos em três categorias principais: baseados em Pareto, em indicadores de qualidade ou em decomposição. Neste trabalho explorou-se o uso de algoritmo baseado em decomposição. A medida que o número de objetivos de um problema aumenta, a capacidade de busca de muitos AEMOs é deteriorada. Uma das tendências para melhorar o desempenho de AEMOs é o uso de seleção adaptativa de operadores, a qual visa escolher o melhor operador a ser utilizado em cada momento do processo de otimização. As principais técnicas de seleção adaptativa encontradas na literatura, e utilizadas nessa tese, são Probability Matching, Adaptive Pursuit e Multi-Armed Bandit. Vários fatores influenciam o desempenho da seleção adaptativa de operadores e, dentre eles, o foco dessa tese foi na recompensa atribuída a cada operador. Na literatura existem diversas formas de calcular a recompensa associada a cada operador, mas a maioria delas limita-se a utilizar apenas informações sobre o desempenho, geralmente medido pela convergência das soluções modificadas pelo operador. Nesta tese foram utilizadas métricas de análise de superfície para aprimorar a recompensa. Além disso, foram utilizadas métricas de análise de superfície de aptidão na extração de informações dos problemas. As características extraídas foram utilizadas por algoritmos de aprendizado de máquina para identificar a melhor combinação de método de seleção adaptativa de operadores e métrica de análise de superfície de aptidão para recompensa em cada instância de um problema. Diferentes tipos de problemas foram utilizados, de benchmarks bem conhecidos na literatura até problemas do mundo real. Os resultados foram encorajadores e indicam que o uso de métricas e técnicas de análise de superfície de aptidão para solucionar problemas multiobjetivo e com muitos objetivos pode ser eficiente.