现实问题中,很多问题最后都会归结为最优化问题,最优化问题也是研究的热点。演化计算作为解决最优化问题的一种方法,具有多个优点:使用方法简单、具有良好的通用性、可以避免陷入局部最优解等。但面对复杂问题时,演化计算需要进行较多次迭代才能收敛到全局最优解,计算量较大。迁移学习是将历史数据或者解决相似问题时的知识迁移到需解决的问题中,以解决数据较少、计算复杂等问题,同时可以提高问题解决的效率。现阶段已有部分研究将迁移学习应用到演化计算,提出了迁移优化的概念,并将其归纳为三种方式:顺序迁移、多任务、多形式优化。本文主要研究多任务多目标优化问题,关于多任务多目标优化的研究相对较少,但已有一些经典的算法提出。如何让算法有更好的收敛性和多样性一直是研究的热点,本文针对如何让算法有更好的性能和实际有效性做了以下两方面的工作:1)提出改进的多目标多任务优化算法。提出的改进算法中不同的阶段对任务使用不同的优化方式。前百分之二十的迭代过程,每个任务分别进行演化计算,任务之间不进行迁移,演化算法为使用WOF模型的MOEA/D算法,利用WOF模型的优势,使算法具有较好的收敛性和多样性。后百分之八十的迭代过程,满足设定的迁移条件,就利用任务之间的相似性在任务之间进行迁移,首先通过KL散度计算任务间的相似性,选择更相似的任务进行迁移,迁移阶段使用直接迁移和差分迁移两种迁移方式,设定代数间隔,选择合适的迁移方法,使算法能拥有更好的性能。后百分之八十的迭代过程中,不进行迁移的代数,使用MOEA/D-CMA进行演化计算。最后通过与经典的多任务多目标优化算法MO-MFEA在CEC竞赛中提出9个测试问题上的实验进行比较,对实验结果进行分析,证明了改进算法的有效性。2)将改进的多目标多任务优化算法应用到水库防洪调度问题。现有很多研究是将演化计算应用于水库防洪调度,但目前还没有研究将多目标多任务优化应用到水库防洪调度中。本文首先给出水库调度的模型,分析其复杂性,并将提出改进的多目标多任务优化算法应用到水库调度模型算法。通过与单任务优化的水库调度模型对比,分析实验结果,得出该算法的有效性,同时证明了本文所提出的改进的多目标多任务优化算法解决实际问题的能力,验证了该算法的实际有效性。