La optimización multitarea (MTO) está relacionada con el problema de la optimización simultánea de múltiples problemas de optimización, con el propósito de resolver estos problemas de manera más precisa en términos de precisión de optimización o costo de tiempo. Para manejar los problemas de MTO, han surgido muchos algoritmos evolutivos de MTO (EMTO), que poseen estrategias o marcos distinguidos en el aspecto de manejar la transferencia de conocimiento entre diferentes problemas de optimización (tareas). En este documento, exploramos la posibilidad de desarrollar un solucionador EMTO más eficiente basado en la evolución diferencial al introducir las estrategias de un algoritmo de optimización de enjambre de partículas multitarea autoadaptativo (SaMTPSO), y al desarrollar una nueva estrategia de incorporación de conocimientos. Luego, intentamos aplicar el algoritmo propuesto para resolver el problema de asignación de armas-objetivos, que nunca ha sido explorado en el campo de EMTO antes. Se realizaron experimentos en un banco de pruebas MTO popular y un conjunto de pruebas WTA-MTO. Los resultados experimentales muestran que la transferencia de conocimiento en el algoritmo propuesto es efectiva y eficiente, y EMTO es prometedor en la resolución de problemas de WTA.