生物界中昆虫或动物的迁徙行为对于种群的生存有着至关重要的作用。为了维持物种的生存与稳定，生物界一些群居动物有着严格的等级制度和职责分工。这种严格的等级制度，确保了个体之间的分工与合作，影响着群体行为状态的变化规律，在社会群体的发展过程中有着不可替代的作用。在生物界中，群居动物的信息熵表征了群体的统计特征，是群体的平均不确定性的量度。群体的行为状态变化规律与信息熵的变化是同步的。同时，种群的迁徙行为源于种群与环境的适应关系，为了维持种群的生存，生物界每时每刻都在发生迁徙运动。　　本文提出一个新颖的适用于解决优化任务的群智能算法---社会群熵优化算法(Social Group Entropy Optimize Algorithm，SGEO)。在SGEO中，群体被划分为不同社会行为的类别，并依据信息熵阈值转换不同状态的社会行为。首先，社会群模型及信息反馈机制阐述了社会群体的分类策略和个体之间不同的社会行为，减少了局部最优的概率。其次，状态优化模型揭示了群体行为状态的变化规律，以及社会群体进化过程的行为状态变化过程;熵模型分析了社会群体的熵以及差熵的变化规律，设定了熵作为状态优化的转换准则。同时，从理论上证明了算法的收敛性与并行性;此外，将SGEO应用于函数优化问题中，从实验中验证了算法的有效性，并与其他群智能算法比较，进一步证明了社会群熵优化算法的有效性和高效性，尤其是高维问题。　　在该算法的基础上，结合迁徙行为中的生物地理学模型、邻居行为以及跳跃行为，在理论方面进行深入研究，抽象并刻画出具有普遍性的迁徙数学模型，包括迁徙环境定义、迁徙策略以及相关性质证明。最后，本文以迁徙模型作为问题研究的基础，结合特定的问题进行分析，并设计相应的算法解决问题，提出了迁徙聚类算法(MigrationClustering Algorithm，MCA)用以解决聚类问题，从实验中证明模型的有效性，并给出用来解决具体问题的解决方案。