La classification demeure l'un des domaines les plus fondamentaux et les plus actifs de l'apprentissage automatique, soutenant de nombreuses applications réelles dans des secteurs tels que la santé, la finance et l'ingénierie. Malgré les progrès significatifs réalisés en matière de performance prédictive, l'interprétabilité des modèles de classification reste un défi majeur. De nombreuses méthodes fondées sur l'optimisation ou les ensembles fonctionnent comme des "boîtes noires", offrant peu de visibilité sur leur processus de décision et limitant ainsi leur adoption dans des contextes critiques de prise de décision. Dans ce travail, nous présentons MOEA/D-AM, un nouvel algorithme évolutionnaire multiobjectif qui comble cette lacune en intégrant des mécanismes basés sur des règles au sein du cadre de décomposition MOEA/D. L'algorithme proposé optimise plusieurs objectifs conflictuels tout en générant des règles de décision lisibles par l'humain, fournissant ainsi une compréhension claire du processus de classification. Des expériences approfondies menées sur des jeux de données de référence démontrent que MOEA/D-AM atteint une précision compétitive, voire supérieure, à celle des classificateurs classiques, tout en produisant des ensembles de règles concis et interprétables. Ces résultats confirment la pertinence des approches hybrides multiobjectifs pour une classification interprétable et ouvrent la voie à de futures extensions vers des paradigmes d'apprentissage plus complexes.