随着进化多目标优化与机器学习领域这些年快速地发展,由这两个领域的相关知识诞生了一种新型的优化问题模型,即进化多目标多任务优化。多目标多任务优化问题基于的前提假设是,现实生活中有许多多目标优化问题之间存在着联系,导致求解这些问题的方法可以被互相学习和借鉴的,即在求解一个问题的过程中得到的某些知识可能有助于提高另一个优化问题的求解结果。近些年,进化多目标多任务优化问题逐渐受到关注并且吸引着越来越多的研究人员投身于该领域的研究。在多目标多任务优化的研究中,一个多目标多任务优化算法主要执行以下两个流程:1、在每个任务之中选择被迁移的解。2、将被选中的解通过映射的方式转移到其他任务的种群中去。然而,对于如何处理这两个核心的问题,目前仍然没有较优的解决方案。本文主要研究如何在多目标多任务优化中找到有价值的解,并利用这些解来提高多目标多任务优化问题的效果。现阶段关于如何找到能够实现任务之间的正迁移的解的研究仍然非常少。在现有的研究工作中,研究者通常会考虑以下两种策略来选择被迁移的解:1、通过随机的方式选取。2、从每个任务非支配解中选取。然而,这两中方法均依赖于任务之间高度的相关性,给实际应用带来困难。基于此,本文分别提出了两种用于选择能够选择每个任务中有价值的解的方法。方法一中先定义了在多目标多任务优化中什么是正迁移,接着利用已经实现了正迁移的解来帮助寻找其他有可能实现正迁移的解(更多有用的解进行迁移)。在该方法中,在自变量空间中那些与实现正迁移的解欧式距离短的解将会被用来帮助其他任务。算法二中,每一代的迁移解是否实现了正迁移均被记录,进而构成训练数据集来训练基于增量学习的贝叶斯分类器。最后,贝叶斯分类器将用来对种群进行分类,找出有价值的解进行迁移。为了验证本文所提出的方法的有效性,我们构造了若干个对比实验。我们选取了2017年CEC多目标多任务优化竞赛的问题集,然后比较本文提出的算法与最近提出的具有代表性的多目标多任务优化算法的实验结果。结果表明,本文所提出的两种算法均优于对比算法,同时所提出的用于选择被迁移解的策略的有效性也得到验证。