生物地理学优化算法(Biogeography-Based Optimization,BBO)是2008年提出的一种高效的群智能优化算法,它模拟自然界中物种在栖息地间进行迁移的过程来实现寻优,具有全局搜索能力强、收敛速度快及对当前群体中信息有效利用能力强等诸多优点,其独特的机制为智能计算研究领域开辟了新的方向。目前从发表的文献上看,BBO算法的应用已渗透到图像识别、运动估计、心脏疾病诊断、生产调度等一些实际工程领域,证明了其可行性和先进性。然而,由于算法尚处于研究初期,研究成果较少且比较分散,缺乏系统性,故在对复杂度较高的高维多峰优化问题进行优化时,仍会不可避免的存在早熟收敛、后期收敛速度慢等诸多缺陷。此外,目前国内外关于BBO算法的研究内容主要集中在无约束单目标优化问题上,针对约束单目标优化以及有无约束的多目标优化问题的研究成果较少,这也在一定程度上限制了算法的应用范围。因此,本课题对BBO算法用于求解各类优化问题上的研究,不仅是对BBO算法理论体系的完善,也是在一定程度上对算法应用范围的丰富。本课题对BBO算法的内在机制进行了深入挖掘与剖析,针对其在复杂有无约束的单目标和多目标优化问题上存在的缺陷,进行了大量研究和仿真,并提出了一系列改进机制,使算法在各类优化问题上的求解性能得到了全面提升。这其中包括:1)针对BBO算法在求解复杂无约束单目标优化问题时仍存在易陷入局部最优、收敛效率较低等问题,设计了对待迁出栖息地个体的动态选取机制、混合迁移机制以及分段Logistic混沌变异机制,从而提出了一种基于混合迁移策略的改进生物地理学优化算法;2)针对现有基于BBO算法的约束单目标优化算法性能较差的问题,一方面根据群体约束违反度的优劣程度对ε约束中水平参数进行了自适应调整,另一方面结合ε约束的特点,设计了新的ε约束排序机制来确定物种迁入率和迁出率,以及新的自适应迁移机制来增强算法对解的搜索能力,从而提出了结合ε约束处理机制的改进生物地理学优化算法;3)为提高BBO算法在无约束多目标优化问题上的求解性能,建立了适用于BBO算法的多目标优化模型,同时结合上述模型和BBO算法内在的进化机制,设计了新的迁入迁出率确定策略和物种迁移策略,从而提出一种基于混合生物地理学优化的多目标优化算法;4)针对目前BBO算法尚无法解决约束多目标优化问题这一情况,一方面通过设计自适应加权ε综合约束违反度的确定方式及自适应调节水平参数ε,提出了一种新型的ε约束多目标处理机制,另一方面结合改进的ε约束多目标处理方法,建立了适用于BBO的约束多目标优化模型,从而提出了一种ε约束多目标生物地理学优化算法。此外,除了将BBO算法应用于上述数值优化问题外,又将其应用到MIMO雷达正交多相序列波形优化设计问题的求解中,并为了使BBO算法能够有效求解该问题,对其中物种迁入迁出率的确定机制、迁移机制以及变异机制进行了改进,从而提出了一种基于改进生物地理学优化的MIMO雷达正交多相波形设计算法,在取得了较好应用效果的同时,亦进一步拓展了 BBO算法的应用领域。