针对现有共生生物搜索（SOS）算法只能求解单个任务，以及信息负迁移影响多任务优化（MTO）性能这两个难题，提出一个信息迁移多任务优化共生生物搜索（ITMTSOS）算法。首先基于多种群演化MTO框架，根据任务个数设置相应数量种群；然后各种群独立运行基本SOS算法，当某一种群连续若干代停滞进化时，引入个体自身最优经验和邻域最优个体以形成知识模块并将该模块迁移至该种群个体进化过程中；最后对ITMTSOS算法时间和空间复杂度进行分析。仿真实验结果表明，ITMTSOS算法同时求解多个不同形态高维函数时均能快速收敛至全局极值解0，与单任务SOS算法相比，平均运行时间最多缩短约25.25%；而在同时求解多维0/1背包问题和师生匹配问题时，所提算法在测试集weing1和weing7上的最优适应值与目前测试集公布的最优结果相比分别提高了22 767和22 602，师生最优匹配差和平均匹配差的绝对值分别下降了26和33，平均运行时间约缩短了7.69%。
