近年来,进化多任务优化（EMTO）在研究领域得到了广泛的关注,其充分利用搜索的并行性,能够同时优化多个任务,并使不同优化问题之间的知识迁移成为可能。在现实世界中,经常会出现具有相似属性的优化问题,它们大部分是相关的,相对于传统的优化方法,无论从收敛速度还是解的质量来看,都比优化单任务具有更好的性能。同时,在众多算法中,由于具有容易理解、参数少等优势,教学优化算法（TLBO）常被用来解决各种优化问题。根据问题的相似性和互补性提高处理复杂问题的性能,本文将改进后的TLBO算法去解决多任务问题,并提出了三种改进算法:（1）为提高任务间有效信息的利用率。设计了一种新的容易实现的多任务教学优化算法（MTTLBO）,学生可以接受相同或不同属性的老师进行知识迁移。其充分利用了不同优化问题之间的知识转移,提高了求解性能和效率。将MTTLBO算法与一些更先进的进化多任务算法进行了比较。实验结果表明,MTTLBO算法在解决单目标多任务问题上具有良好的性能。（2）为有效地减少负信息的知识迁移,提高容错率。进一步提出了一种多学习策略和排序选择策略的多任务教学优化算法（MTTLBO-MR）。第一,在“教”阶段,有三种学习策略供学生选择。第二,在“学”阶段,每个学生根据自己的情况从两种策略中选择学习策略。第三,与原始TLBO算法的贪婪选择策略不同,后代的选择是基于每个个体的适应度值和多样性。测试结果表明,MTTLBO-MR算法在不同的优化阶段通过合适的学习策略更新知识,各个策略的作用都得到了展示,提高了搜索能力和群体多样性,在处理单目标多任务问题上具有优越的性能。（3）为解决多目标多任务优化问题,进一步提出一种多目标多任务教学优化算法（MOMTTLBO）,通过非支配等级和拥挤度距离结合的排序方法选择新群体,老师从每代中帕累托最优解中随机选择。通过仿真实验验证了所提出的多目标多任务教学优化算法取得较好的结果。