进化算法是基于自然之中种群进化模式而设计出的“算法簇”,其中算子依靠随机选择、变异和重组,让群体得以进化到候选解空间中更好的区域。多因素优化（Multi-factorial Optimization,MFO）,通过在单一搜索空间中的进化同时解决多个优化问题。在MFO中,动态地利用这些优化问题之间的共有知识的差异性,通过有价值的知识交换来为这些不同任务提供帮助并达到优化目的。多因素进化算法（Multi-factorial Evolutionary Algorithm,MFEA）是第一个实现多任务进化的MFO算法。在MFEA的种群进化过程中,利用分类交配和垂直文化传输产生后代,从而实现知识传输并利用这些多任务中的隐性知识进行优化。分类交配的概念保证了来自同一任务的个体有很高的概率交配并产生后代。这一进化策略也已被成功应用在多目标优化问题中,提出了MOMFEA（Multi-Objective MFEA）。本课题针对单目标问题的MFEA算法和多目标问题的MOMFEA算法进行了充分的研究和分析。具体来说,本课题从以下三个方面对多任务进化算法进行了研究:（1）针对单目标问题的MFEA算法,本课题在进化过程中引入了Lévy飞行搜索的交叉方式,提出了MFEA-LF算法。Lévy飞行搜索的交叉方式是利用Lévy飞行分布对信息的有效探索,对交叉过程进行优化改造,促进了个体间的有效信息的交叉和任务之间的有效知识传递,更有效地提升了子代的种群质量和优化效果。在实验部分,在具有不同特性的单目标问题集上对MFEA-LF算法进行了实验,并将结果与MFEA、MFEA-Ⅱ等多个经典多任务进化算法进行比较,验证了其在单目标多任务进化问题上的性能提升。同时,将Lévy飞行策略应用在多目标问题上,提出MOMFEA-LF算法,并与MOMFEA和MOMFEA-Ⅱ在多目标优化问题集上进行对比实验,验证了其在多目标多任务进化问题上的有效性。（2）针对多目标问题的MOMFEA算法,该算法使用了NSGA-Ⅱ作为进化算法的非支配排序基础,本课题对当前先进的非支配排序算法展开了充分研究,并找到可以合理替代MOMFEA中的NSGA-Ⅱ的高效的非支配排序策略——基于顺序搜索策略的非支配排序,使得MOMFEA的运行效率得到大幅度提升,本课题将此优化后的算法称为FMOMFEA。（3）由于现实世界系统的多层性,从非线性和复杂动力系统中推断多层网络结构的问题在许多领域都很重要,包括工程、生物、物理和计算机科学。为了解决这个问题,人们提出了许多网络重建方法。考虑不同组件层的网络重建任务之间的相似性,受不同组件层之间拓扑关联和动态耦合的启发,多层网络重建问题首先被抽象为多任务多层网络重建问题,其中每个任务的目标是重建组件层的网络结构。本课题将MFEA-LF框架用于同时演化多个多层网络结构模型来提高重建性能,结果表明,本文算法能提高重建的成功率,并加快多层网络重建问题的收敛速度。