El trabajo en este documento está motivado por un artículo recientemente publicado en el que los autores desarrollaron un algoritmo genético de dos etapas eficiente para un modelo integral de un problema de programación de taller de trabajo flexible (FJSP). En este documento, ampliamos la aplicación del algoritmo para resolver un problema de transmisión de lotes en FJSP al mismo tiempo que expandimos el modelo para incorporar múltiples objetivos. Las funciones objetivo incluidas en nuestro trabajo actual son la minimización del (1) makespan, (2) tiempo máximo de flujo de sublote, (3) tiempo total de flujo de sublote, (4) tiempo máximo de flujo de trabajo, (5) tiempo total de flujo de trabajo, (6) separación máxima de tiempo de finalización de sublote, (7) separación total de tiempo de finalización de sublote, (8) carga máxima de máquina, (9) carga total de máquina y (10) diferencia máxima de carga de máquina. Se presentan ejemplos numéricos para ilustrar la mayor necesidad de optimización multiobjetivo en problemas más grandes, la interacción de las diversas funciones objetivo y su relevancia para proporcionar una mejor calidad de solución. También se investiga la capacidad del algoritmo genético de dos etapas para optimizar conjuntamente todas las funciones objetivo. Los resultados muestran que el algoritmo puede generar soluciones iniciales que están altamente mejoradas en todas las funciones objetivo. También supera al algoritmo genético regular en velocidad de convergencia y calidad de solución final al resolver la transmisión de lotes FJSP multiobjetivo. También demostramos que la computación paralela de alto rendimiento puede mejorar aún más el rendimiento del algoritmo genético de dos etapas. Sin embargo, el algoritmo genético secuencial de dos etapas con una sola CPU supera al algoritmo genético regular paralelo que utiliza muchas CPUs, afirmando la superioridad del algoritmo genético de dos etapas en la resolución de la transmisión de lotes FJSP multiobjetivo propuesta.