Los algoritmos tradicionales de evolución tienden a comenzar la búsqueda desde cero. Sin embargo, los problemas del mundo real rara vez existen de forma aislada y los humanos gestionan y ejecutan efectivamente múltiples tareas al mismo tiempo. Inspirado en este concepto, el paradigma de computación evolutiva multi-tarea (MTEC) ha surgido recientemente como un medio efectivo para facilitar la transferencia de conocimiento implícito o explícito entre tareas de optimización, acelerando potencialmente la convergencia y mejorando la calidad de las soluciones para problemas de optimización multi-tarea. Un número creciente de trabajos han sido propuestos desde 2016. Los autores recopilan la abundante literatura especializada relacionada con este novedoso paradigma de optimización que se ha publicado en los últimos cinco años. La cantidad de artículos, la nacionalidad de los autores y las publicaciones profesionales importantes son analizadas mediante un método estadístico. Como una encuesta sobre el estado del arte de la investigación sobre este tema, este artículo de revisión cubre conceptos básicos, fundamentos teóricos, enfoques de implementación básicos de MTEC, problemas de extensión relacionados con MTEC y campos de aplicación típicos en ciencia e ingeniería. En particular, se revisan varios enfoques de codificación y decodificación de cromosomas, reproducción intra-poblacional, reproducción inter-poblacional, y evaluación y selección al desarrollar un algoritmo MTEC efectivo. Se discuten también una serie de desafíos abiertos hasta la fecha, junto con direcciones prometedoras que se pueden emprender para ayudar a avanzar en el futuro, de acuerdo con el estado actual. El propósito principal es proporcionar una revisión exhaustiva y un examen de MTEC para los investigadores de esta comunidad, así como fomentar que más profesionales que trabajan en campos relacionados se involucren en este fascinante territorio.