多任务优化（Multi-task Optimization,MTO）,也称为多因子优化（Multi-factorial Optimization,MFO）,是优化领域的一个新兴研究方向。MTO旨在研究如何同时、有效地解决多个不同的目标优化任务。在进化计算领域,与传统单任务进化算法不同,多任务进化（Evolutionary Multi-tasking,EMT）算法在多个跨域任务之间实现知识迁移,使得多个跨域任务之间能够共享潜在的相似性或互补性,进而同时加快多个任务的收敛。受启发于多因子遗传模型,多因子进化算法（Multi-factorial Evolutionary Algorithm,MFEA）是进化计算领域首个实现EMT的算法。MFEA算法在多个跨域任务之间建立统一的信息表示空间,通过选型交配和垂直文化传输实现跨域任务之间的隐式知识迁移,在大多数优化问题上性能优于传统单任务进化算法。本文基于MFEA算法展开深入研究和分析,针对MFEA算法框架的不足之处,例如在优化相似度较低的多个任务时,任务之间容易产生消极的知识迁移而导致优化效果较差等,在原始MFEA算法的基础上挖掘了可提升空间。此外,在云计算领域,本文提出一种新的MFEA算法应用于解决异构环境中的大规模虚拟机放置（Large-scale Virtual Machines Placement,LVMP）问题,实现了EMT与LVMP问题的有效结合。具体而言,本文研究工作包括以下两个方面:（1）在原有MFEA算法框架基础上,本文提出一种基因转换和超矩形搜索混合策略,即MFEA-GHS算法,以高效利用任务之间知识传输,进一步提升优化效果。基因转换策略目的是在属于不同任务的个体中通过基因转换构建一个高相似度基因表示空间,进而提高不同任务之间知识迁移的有效性。同时,基于反向学习思想,提出了一种超矩形搜索策略,用于在统一表示空间和每个任务各自的搜索空间中进行有效探索,加速种群收敛。在实验部分,使用多套带有不同特性的单目标和多目标多任务优化问题集对MFEA-GHS算法进行综合评估,并和多个最新EMT算法比较,证明MFEA-GHS算法在解决连续多任务优化问题上具有良好性能。（2）针对传统单任务进化算法在解决LVMP问题时存在计算时间长、可扩展性差等不足之处,本文探索将EMT算法应用于解决异构云环境中的LVMP问题,以求在更短的时间内提供更优的放置方案。具体而言,本文将大规模数据中心不同规格虚拟机的放置问题随机分配给多个任务,并对其建模为多任务优化-虚拟机放置（MTO-VMP）问题。同时,提出一种带有贪心放置算子的多任务进化算法MFEA-VMP对分配后的多个任务同时进行优化,并在任务之间实现隐式知识迁移,以加速各个任务的收敛。在迭代完成后,提出一种重迁移和合并算子对迭代阶段的解进一步优化,以获得原始LVMP问题的解。为了评估MFEA-VMP算法的有效性,基于华为云的虚拟机和物理服务器的配置数据,构建大规模虚拟机测试数据集进行仿真实验。实验结果表明,与各种不同类型的启发式算法相比,MFEA-VMP算法可以显着缩短计算时间,可为异构云环境中的虚拟机提供有竞争力的放置方案。