进化计算在搜索和优化方面展示了强大的能力,广受学者的青睐。受不同启发方式和目的,学者提出了各种智能优化算法,广泛地应用到各行各业中。最近,在智能优化方面出现了一个新兴的研究领域—多任务优化问题,主要研究如何利用多任务学习同时高效地处理多个优化问题,核心思想就是在进化的过程中将一个优化问题的潜在候选解迁移到另一个优化问题中,以提高算法性能。在如何解决多任务优化问题上,多因子进化算法MFEA被提出并在测试函数和真实问题上展现了良好的性能。随后,学者在MFEA基础上提出了各种改进版本。在算法中决策变量采用统一的搜索空间,并在统一空间上进行知识迁移。当缺乏先验知识后,将不同任务的决策变量设置在统一搜索空间是具有挑战性的。针对该问题,本文提出了两种多任务进化算法,并采用了不同的优化策略。最后通过实验仿真结果证明本文所提出的算法是具备一定的先进性、有效性和可行性。主要工作如下:(1)针对多任务单目标优化问题,提出了一种基于生物地理学优化算法的多任务进化算法(Multi-Tasking Biogeography-based Optimization,MTBBO)。在该算法中,通过引入佳点集理论来产生初始化种群以提高搜索的有效性,通过引入一种随机精英迁移策略来进行任务间的迁移操作以加快算法的收敛速度和提高解质量,通过加入二次排序以有效消除劣解。在基准函数集上测试并与其他算法相比较,结果表明提出的MTBBO算法更具有优势,而且该算法简单容易实现,复杂度更低。(2)针对多任务多目标优化问题,提出了一种基于遗传算法的多任务进化算法(Multi-Tasking Genetic Algorithm,MTGA)。在该算法中,同样通过引入佳点集理论来产生初始化种群以提高搜索的有效性,通过引入多种交叉方式并存方案以适应不同问题,通过引入一种基于距离度量的迁移策略来进行任务间的迁移操作以加快算法收敛速度。在基准函数集上测试并与其他算法相比较,结果表明提出的MTGA算法拥有好的收敛性能。(3)本文提出了两种供应链网络模型:单目标多产品正向供应链网络模型和多目标绿色多产品正向供应链网络模型。先将这两种网络模型的每一个阶段分别看作一个优化问题,然后再用前面提出的MTBBO算法和MTGA算法来优化这两种供应链网络模型。最后经算例仿真可知,本文提出的MTBBO算法和MTGA算法在优化这两种网络模型上相比于标准的BBO算法和GA算法来优化这两种网络模型上具有一定的优势。