Los algoritmos evolutivos multiobjetivo (MOEA) han atraído mucha atención debido a su buena capacidad de exploración global; sin embargo, su capacidad de búsqueda local cerca del valor óptimo es débil, y para problemas de optimización de variables de decisión a gran escala, el número de poblaciones e iteraciones requeridas por MOEA es muy grande, por lo que la eficiencia de optimización es baja. Los algoritmos de optimización de gradiente pueden superar estas dificultades, pero los métodos de búsqueda de gradiente son difíciles de aplicar a problemas de optimización multiobjetivo (MOPs). Con este fin, este documento introduce una función de ponderación estocástica basada en el gradiente promedio ponderado y propone dos operadores de gradiente estocástico multiobjetivo. Además, se desarrollan dos algoritmos evolutivos eficientes, MOGBA y HMOEA. Su capacidad de búsqueda local se ha mejorado considerablemente al tiempo que se conserva la buena capacidad de exploración global mediante el uso de diferentes estrategias de actualización de descendencia para diferentes subpoblaciones. Los experimentos numéricos muestran que HMOEA tiene una excelente capacidad de captura para diversas formaciones de Pareto, y puede resolver fácilmente problemas de optimización multiobjetivo con muchos objetivos, lo que mejora la eficiencia en un factor de 5-10 en comparación con los típicos algoritmos evolutivos multiobjetivo. HMOEA se aplica además al diseño de optimización aerodinámica multiobjetivo del perfil aerodinámico RAE2822 y se obtiene el frente de Pareto ideal, lo que indica que HMOEA es un algoritmo de optimización eficiente con aplicaciones potenciales en el diseño de optimización aerodinámica.