生物地理学优化算法是受生物地理学迁移模型而形成的一种新兴的进化算法,因其与众不同的迁移机制,使其具有较强的信息共享性能,能较好地利用群体的信息。然而传统的基因迁移方式信息利用效率较低,而且只能利用群体已有的信息,不具备开发新信息的能力,而传统的个体迁移方式又过于单一,虽然一次可以使用一个个体的信息,在一定程度提高了群体的信息利用效率,并且具备了一定的开发能力,但这种方式是以却又带来了算法的精度下降的缺点;针对以上两点,本文对算法做了如下改进:首先,对个体迁移方式存在信息利用效率较为低下的缺点,借鉴差分进化算法的变异方法,设计了一个新的个体迁移算子。这种新的个体迁移算子可以使用四个个体的信息,这将大幅提高信息的利用效率,而且这四个个体中的一个是最佳个体,引导算法向最优解方向搜索,提高收敛速度。在缩放因子值的设定上采取一种自适应的方式,来进一步提高这种新的个体迁移方式算子的性能。其次,对于使用单一的个体迁移方式带来的精度下降的缺点,将新的个体迁移方式与传统的基因迁移方式相结合,形成了一种多重迁移算子;在对解进行迁移时,使用个体迁移方式和基因迁移方式分别产生一个新解,选择其中相对更好的解作为子代,将使用多重迁移算子的生物地理学优化算法称为基于多重迁移的生物地理学优化算法(HLBBO),实验表明该算法可以有效提高收敛速度,具有更好的求解性能和稳定性。最后,在HLBBO算法的基础之上,使用分解思想,将HLBBO算法扩展为一种基于多重迁移的多目标生物地理学算法(MHBBO)。实验表明MHBBO算法在求解多目标优化问题上,所获得的Pareto前沿更加靠近真实的Pareto前沿,分布的平均性也有一定的提高。