多任务优化是当前智能优化领域的热点之一,多任务优化算法在优化多个彼此相关的任务时,通过迁移任务之间的有效知识来提升各个任务的表现效果。但传统的多任务优化算法通常用于优化规模较小的任务组,在面对任务量较大的优化场景时,会出现迁移效果变差、计算成本升高、任务收敛变慢等问题。为解决这些问题,研究者们提出了多任务质量多样性算法,它能够生成大量多样化且表现效果好的解决方案,在一些特定场景下可以同时解决大量任务,适用于大规模任务的优化场景,但其仍存在知识迁移随机性较大、迁移方式单一、易陷入局部最优等不足。因此,本文在质量多样性算法的基础上,提出了两种新的多任务优化算法,对现有多任务质量多样性算法进行了改进。第一种算法首先设计了有效的任务分组方式。算法根据任务的表示特征计算任务之间的相似程度,然后根据相似度将所有任务分组,组内的任务构成知识迁移区间,并使接下来的组内知识迁移过程仅可以在该区间内发生。通过这种方式,使知识迁移尽可能发生在相似任务之间,减少了负迁移发生的概率,提升了有效知识的迁移效率。其次设计了新的知识迁移策略。不同于传统多任务优化算法中仅迁移表现最好任务的知识,本算法在各个知识迁移区间中记录了多种渠道的知识,包括表现有提升的任务、表现最好的任务和任务变化之前的信息,将这三种信息综合起来协助待优化任务,提升它们的表现效果。同时引入随机过程,使个体有机会发生随机变异,缓解了个体易陷入局部最优的问题。第二种算法是对第一种算法的改进,是将自适应的思想应用到第一种算法中。首先采用了自适应的方式选择知识迁移策略。为了进一步改进算法的性能,本算法设计了四种知识迁移策略,每种策略都偏重于迁移某一渠道的知识。在评估过程中,算法可以根据策略的表现自适应地选择最合适的策略进行知识迁移。其次,采用自适应的方式选择交叉算子。在生成子代的过程中,本算法不但沿用了原算法中的交叉算子,并引入了另外两种较为流行的交叉算子。在评估时,算法可以根据每种交叉算子的表现,自适应地选择表现最好的交叉算子生成子代。本文使用机械臂模型（代表简单任务）与六脚机器人模型（代表困难任务）验证算法的有效性,首先通过消融实验证明改进的有效性,接着将本算法与其它算法在两种模型上进行对比,证明了本文提出的算法具有更好的优化能力。