Los algoritmos evolutivos asistidos por sustitutos (SAEAs) son ampliamente utilizados en el campo de la optimización costosa de alta dimensionalidad. Sin embargo, los problemas del mundo real suelen ser complejos y caracterizados por una variedad de características. Por lo tanto, es muy desafiante elegir el sustituto más apropiado. Se ha demostrado que varios sustitutos pueden caracterizar el paisaje de aptitud de manera más precisa que un solo sustituto. En este trabajo, se propone un algoritmo de optimización multitarea asistido por múltiples sustitutos (MSAMT) que resuelve problemas de alta dimensionalidad optimizando simultáneamente varios sustitutos como tareas relacionadas utilizando el algoritmo evolutivo multifactorial generalizado. En el MSAMT, todas las muestras evaluadas exactamente se agrupan inicialmente para formar una colección de grupos. Posteriormente, el espacio de búsqueda puede dividirse en varias áreas basadas en los grupos, y se construyen sustitutos en cada región que son capaces de describir completamente todo el paisaje de aptitud como una forma de mejorar la capacidad de exploración del algoritmo. Cerca de la solución óptima actual, se adopta un nuevo conjunto de sustitutos para lograr una búsqueda local que acelere el proceso de convergencia. En el marco de un algoritmo de optimización multitarea, varios sustitutos se optimizan simultáneamente como tareas relacionadas. Como resultado, se pueden encontrar varias soluciones óptimas dispersas en regiones disjuntas para la evaluación de funciones reales. Se utilizaron catorce funciones de prueba de 10 a 100 dimensiones y un problema de diseño de cercha espacial para comparar el enfoque propuesto con varios SAEAs propuestos recientemente. Los resultados muestran que el MSAMT propuesto funciona mejor que los algoritmos de comparación en la mayoría de las funciones de prueba y problemas de ingeniería reales.