在科学研究和工程设计过程中,很多具体问题都可以归纳为参数优化问题,而现实当中,这些优化问题往往有多个设计目标,这些目标互相矛盾,彼此制约,一个目标的性能优化往往会导致其它至少一个目标的性能退化,即多个目标很难同时达到最优。因此,多目标优化算法的研究成为当今科学和工程设计当中的一个热点研究方向。进化算法是一种受自然界生物和系统的启发而发展起来的启发式搜索和优化算法的总称,用进化算法求解多目标优化问题得到了广泛的应用。作为进化算法的重要组成部分,差分进化算法是一类容易理解、结构简单、可调参数少、鲁棒性强的智能优化方法。多目标差分算法中,较著名的算法有DEMO(Differential evolution algorithm for multi-objective optimization)和MODEA(Multi-objective differential evolution algorithm)等。然而,DEMO使用的快速父代替换和MODEA使用贪婪变异策略使其在求解复杂问题时存在明显的不足,容易陷入局部最优。为解决现有的多目标差分进化算法容易陷入局部最优的问题,本文引入跳跃基因算子,提出基于跳跃基因的多目标差分进化(JGMODE)算法。不同于现有的多目标差分算法如DEMO和MODEA,JGMODE算法在传统交叉算子之后执行跳跃基因操作,以保持种群多样性,提高算法的勘探能力。数值实验结果表明提出的算法能很好地解决局部最优问题,在ZDT和DTLZ测试函数集的困难问题上展现了显著优于现有算法的性能。