在现实过程中,对问题的优化往往伴随着目标的约束,并且这些优化问题通常还是多目标的,需要对多个目标同时进行优化,即通常所讲的多目标优化问题(Multi-Objective Optimization Problem, MOP)。在目前,解决多目标优化问题的方法有很多种,基本都是利用进化智能优化方法。本文详细介绍了混洗蛙跳算法(Shuffle Frog Leaping Algorithm, SFLA)这一新兴的群体智能优化算法,而且一并描述了经典的遗传算法(Genetic Algorithms, GA)。在这两种算法的基础上提出对蛙跳算法的改进,提出遗传-蛙跳算法(Genetic- Shuffle Frog Leaping Algorithm, G-SFLA)。一方面,在蛙跳算法的子群进化过程中融入遗传算法的遗传运算,通过子群内最优解和最差解交叉产生新解如果好于最差解则代替原来的最差解,否则用整个种群的最优解和本子群的最差解交叉产生的新解如果好于最差解则代替原来的最差解,如果还不能得到一个较之本子群原来最差解更优的解就使这个最差解变异产生新解来代替原始最差解；另一方面提出改进原始蛙跳算法的分组方法,即按原始分组方法的基础上每组都加入除本身组外其他组中随机的一个个体组成一个新的组。最后以多目标0-1背包问题为例验证了改进的蛙跳算法较之原始蛙跳算法在性能上的好处,并且通过实例对改进的蛙跳算法中不同的参数做了一定的研究。