智能优化算法,如遗传算法、蚁群算法、粒子群算法等,是一类受自然现象启发而提出的搜索算法。与传统的优化算法相比,如随机梯度下降算法、牛顿法等,它具有不易陷入局部最优、无需计算问题的梯度信息等优点。在现有文献中,大多智能优化算法一次运行只能解决一个问题,而实际问题往往不会独立存在,解决其他问题的经验知识可以用来指导当前问题的优化,从而实现高效的问题求解。进化多任务（Evolutionary Multitasking,EMT）是近年来在进化计算领域提出的一个新的优化范式。与传统的智能优化算法相比,EMT能够同时解决多个不同的优化任务,并且通过任务之间的知识迁移,来提升任务优化的效率。在国内外的许多研究中,EMT已经被实验证实在许多复杂的优化问题上有着超越传统智能优化算法的性能。然而,EMT作为一个新兴的研究方向,目前仍有不少亟需深入研究的关键问题,例如相关优化任务的选择、知识迁移的频率等。本文基于多任务优化框架,围绕智能优化任务的选择及构造展开研究,以期实现高效的智能优化算法。本文的主要工作及贡献总结如下:（1）针对多任务环境下如何为当前任务选择合适的迁移任务这一难点问题,本文设计了一种基于反馈机制的自适应任务选择算法。在该算法中,每次选定某个任务进行知识迁移后,都会根据其迁移解的存活数量来自适应调节该任务被选中的概率。这种自适应的设定,使算法能够在不同的演化阶段为每个任务选择合适的迁移任务。（2）针对多目标优化问题（Multi-objective Optimization Problem,MOP）计算复杂度高、求解困难等特点,提出了一种基于多形式优化的多目标优化算法。在该算法中,使用了高斯过程回归（Gaussian Process Regression,GPR）来构建多目标优化问题的辅助任务,并提出了一种自适应采样算法用来更新所得到的辅助任务。最后,通过辅助任务的知识迁移来加速原问题的收敛,并提高收敛解的质量。