Recientemente, debido al crecimiento en el aprendizaje automático y la minería de datos, para aplicaciones de programación en la inteligencia industrial de China, tenemos la gran fortuna de presenciar un paradigma de programación evolutiva a través del aprendizaje, que incluye una nueva herramienta de optimización de transferencia evolutiva (ETO). Como un nuevo subconjunto en ETO, la optimización de objetivo único a objetivo múltiple/multiobjetivo (SMO) actúa como un marco poderoso, abstracto y general con amplias aplicaciones industriales como la programación de tiendas y enrutamiento de vehículos. En este documento, nos enfocamos en el mecanismo general de selección que selecciona o reúne soluciones élite y de alto potencial hacia la recolección/transferencia de fuerza de problemas de objetivo único, o la recolección/transferencia de tormentas de conocimiento de tareas resueltas. Estudios extensos en problemas de enrutamiento de vehículos con ventanas de tiempo (VRPTW) en benchmarks bien estudiados validan la gran universalidad del marco SMO. Nuestras investigaciones (1) contribuyen a una comprensión profunda de SMO, (2) enriquecen la teoría clásica y fundamental de bloques de construcción para algoritmos genéticos y algoritmos meméticos, y (3) proporcionan una solución competitiva y potencial para VRPTW.