优化问题是科研领域和工业界中常见的问题,广泛存在于许多实际应用中,如物流调度、决策等。优化领域将优化方法分为确定性优化和启发式智能优化。不同于确定性方法求解优化问题易陷入局部最优,智能优化算法（如进化算法等）具有更好的全局优化性能。多任务智能优化是智能优化领域的一个新兴课题,相较于传统智能优化一次只优化一个任务,多任务智能优化可同时高效地处理多个优化任务。各任务在优化在线进行的同时互相传递有用的知识来指导搜索的进行,以加速寻优过程并提高最终近似解的质量。近年来,云计算平台迅猛发展,多任务处理高效框架正好可以满足云平台大量的优化需求。在多任务智能优化算法的研究中,如何设计知识迁移组件将直接影响知识迁移的质量并决定算法的性能。然而,对迁移组件的探索正处于初级阶段,很多研究问题迫切地需要得到解决。如,设计异构问题的高效跨域传输方法,增强问题间的正向知识迁移,自适应探索优化过程中的迁移频率等。基于此,本文以任务间的知识迁移作为研究的基本切入点,展开对多任务智能算法的优化。借助对知识迁移的优化实现高效的多任务优化。具体来说,本文的主要研究内容与贡献如下:（1）首先,本文针对现有多任务智能优化算法的局限性,提出了一种基于神经网络的显式进化多任务处理算法（NN-based EMT）,用于跨任务间有用知识的传递,该算法具有较强的变量关系建模能力,可以对非线性变量关系或其他更复杂的变量关系如线性和非线性变量关系的混合问题进行求解,旨在取得更优的算法性能。在常用的9个单目标多任务优化基准测试问题上的实验结果表明,该模型能够加速寻优过程并提升最终获得的近似解的质量。另外,对本模型中采用的不同神经网络结构对该模型性能可能产生的影响,本文也进行了理论分析和实证研究。（2）NN-based EMT框架探索了知识迁移的方式,但该框架的控制参数通过经验设置,这忽略了对合适迁移时机的捕捉,考虑到此局限性,本文进一步设计了一种利用模糊自适应系统来改进NN-based EMT框架的FA-NNEMT算法,旨在对知识迁移的重要参数——迁移频率进行智能化控制,以进一步优化NN-based EMT算法的性能。实验结果表明,FA-NNEMT算法能捕捉适宜的迁移时机,加强正向的知识迁移,对NN-based EMT算法在收敛速度和求解质量方面均有显著提高。