La tecnología de minería de datos es el proceso de extraer conocimiento oculto e información potencialmente útil de una gran cantidad de datos de aplicación práctica incompletos, ruidosos y aleatorios. El algoritmo de agrupamiento basado en evolución multiobjetivo tiene ventajas obvias en comparación con el método tradicional de objetivo único. Para mejorar aún más el rendimiento de los algoritmos de agrupamiento evolutivo multiobjetivo, este documento propone un modelo de agrupamiento automático multiobjetivo basado en optimización evolutiva multi-tarea. Basado en el algoritmo de agrupamiento multiobjetivo que determina automáticamente el valor de , se introduce la optimización evolutiva multi-tarea para tratar múltiples tareas de agrupamiento simultáneamente. Se obtiene un conjunto de soluciones no dominadas para los resultados de agrupamiento al optimizar simultáneamente la desviación general y el índice de conectividad. Se diseñó una codificación de adyacencia multi-tarea basada en un grafo de adyacencia de locus para codificar los datos agrupados. Además, se diseñó un operador evolutivo basado en aprendizaje de relevancia para facilitar la evolución de los individuos dentro de la población. También facilita la transferencia de información entre individuos con diferentes tareas, evitando efectivamente la transferencia negativa. Finalmente, el algoritmo propuesto se aplicó tanto a conjuntos de datos artificiales como a conjuntos de datos de UCI para pruebas. Luego se comparó con algoritmos de agrupamiento tradicionales y otros algoritmos de agrupamiento multiobjetivo. Los resultados verifican las ventajas del algoritmo propuesto en precisión de agrupamiento y convergencia del algoritmo.