Este artículo propone un algoritmo genético basado en multitarea (MTGA-CMMO) para resolver problemas de optimización multimodal multiobjetivo con restricciones (CMMOPs). En MTGA-CMMO, la tarea principal es asistida por dos tareas auxiliares para obtener todos los conjuntos de soluciones de Pareto factibles. Los límites de restricción de la tarea auxiliar 1 se ajustan dinámicamente, facilitando que la población de la tarea principal cruce regiones inviables temprano en la evolución y proporcionando más dirección evolutiva más tarde en la evolución. La tarea auxiliar 2 puede contribuir a la capacidad de explotación de la tarea principal. Mientras tanto, se ha ideado un mecanismo de selección de apareamiento de líder basado en probabilidades para mejorar la capacidad de búsqueda global de MTGA-CMMO. Además, se han diseñado tres estrategias de selección ambiental para corresponder a las diferentes tareas en MTGA-CMMO. Una extensa verificación experimental demuestra que MTGA-CMMO supera a otros algoritmos comparativos en múltiples instancias de prueba y un problema de aplicación práctica.