通过几十年的发展,进化算法已经成为解决复杂优化问题的常用方法。随着实际生产力的发展,新型的优化问题层出不穷,多因子优化就是一类新的优化问题,指的是在同一表达空间中同时优化多个任务。多因子进化算法是一种为了有效解决多因子优化问题、以多因子遗传模型为基础,受到迁移学习思想启发而提出的新型优化算法。算法主要利用了跨任务的基因迁移来提高同时处理多个相似任务的优化效率。尽管多因子进化算法已经证实在处理多因子优化问题上具有很卓越的效果,但是算法仍然存在局部搜索能力不足、容易过早收敛、负迁移等弊端。基于算法现有的局限性,本文针对处理连续优化问题,提出了将单步迭代的拟牛顿方法通过不同策略嵌入到多因子进化算法框架中来增强算法的局部搜索能力,并通过对比实验得出了在不同约束条件下最优的嵌入策略。为了解决多因子进化算法在优化过程中存在的负迁移效应,本文在其算法基础上使用参数化效应递减的方法对知识转移概率进行动态修正。针对算法优化后期局部搜索能力不足以及容易过早收敛的缺陷,提出了围绕最优个体执行的精确搜索方法和对劣质个体的再初始化方法,最终形成了参数化分段的多因子进化算法。在以基准函数为基础的测试集上对两种算法进行了对比实验,证明改进后的算法具有更强的搜索能力。最后,以旅行商问题为对象,成功将参数化分段的多因子进化算法应用于离散的组合优化问题,并通过实验与处理此类问题效果显著的代表性算法dMFEA-Ⅱ进行了效果比对,证明了改进后的算法完全具备实际应用的价值。