多任务进化是进化领域中的一个新兴研究方向,主要研究如何充分利用任务之间的协同作用提高种群搜索的效率和性能。相对于传统的单任务进化,多任务进化能够通过多个任务之间的知识迁移提高算法的性能和进化的效率。基于多任务进化框架提出的单目标多任务进化算法和多目标多任务进化算法已经进化获得了优异的成果。本文对多任务进化算法进行了研究,并且对该领域做出了以下贡献:（1）提出了一个基于种群分布的两阶段知识迁移多任务进化算法（EMT-PD）。首先,为了描述种群的搜索趋势,根据任务的种群建立概率分布模型;其次,根据两个任务的种群之间的概率分布计算知识迁移权重,以控制任务之间的知识迁移过程,减少负迁移的产生;最后,进行两阶段的知识迁移,在第一阶段知识迁移中,根据知识迁移权重设置知识迁移的方向和步长,在第二阶段中,根据知识迁移权重调整子代个体在搜索空间中的位置,以降低所生成的子代个体陷入局部最优的概率。（2）提出了一个基于自适应调整知识迁移概率的超多任务进化算法（EMaT-AS）。首先,根据种群在每个任务的表现进行任务匹配,种群在两个任务的表现情况越相近,这两个任务越有可能匹配在一起进行知识迁移。然后根据任务之间产生的后代对知识迁移概率参数进行调整,当后代的目标函数值优于父代,则知识迁移概率参数增加,否则反之。最后,基于支持向量机（SVM）对子代个体的技能因子进行分配,以替换多任务进化中原始的垂直文化交流。本文针对多目标多任务进化和多目标超多任务进化提出了新的算法,并通过多个方面的实验证明了算法的有效性,为后续的多任务进化算法相关研究提供了借鉴。