生物地理学优化算法是以生物地理学模型为基础的群体搜索算法，由于其独特的基于群体信息共享的迁移机制，使其具有较好的群体信息利用能力，进而在单目标优化问题和实际的应用中表现出了独特的优势。本文将生物地理学优化算法拓展到多目标优化领域，来探讨其对于多目标优化的可行性和有效性。首先，针对多目标优化问题，提出基于生物地理学的多目标优化算法，通过理论与实验分析所设计算法对于多目标优化问题的可行性；随后为了进一步改进算法的性能，将生物地理学优化算法与差分进化相结合提出基于生物地理学与差分进化混合的多目标优化算法，通过仿真实验测试了算法性能；其次，考虑到实际问题通常带有一定的约束条件，针对约束多目标优化问题，充分考虑到优秀不可行解所携带的信息，提出了基于生物地理学的约束多目标优化算法，从理论及实验上分析该优化算法对于求解约束多目标优化问题的优越性；最后，将所设计的约束多目标生物地理学优化算法应用于机器人路径规划问题，通过仿真分析，进一步证实算法在实际中的应用。本文主要工作概括如下：首先，针对多目标优化问题，提出基于生物地理学的多目标优化算法。在该算法中，首先对生物地理学优化算法进行分析，将原生物地理学优化算法中进化机制取代基于进化的多目标优化算法中的进化操作，求解多目标优化问题，结果发现群体多样性会随着运行代数的增加，而不断的减少，甚至陷入局部最优。针对该问题，提出扰动迁移算子，在原生物地理学优化算法的迁移算子中引入随机扰动因子，通过该算子使得优秀个体的变量在放大或缩小后，再与其他的个体进行共享，理论与实验分析该算子可以有效改进群体的多样性；然后，将扰动迁移算子与变异算子一起用于群体的进化，采用外部种群保存进化过程中获得的非支配解，并应用紧邻距离对外部种群实行更新；最后通过标准函数测试及与经典算法比较，分析算法对于求解多目标优化问题的有效性。为了进一步提高算法的性能，提出基于生物地理学与差分进化混合的多目标优化算法。该算法首先考虑到生物地理学算法本身具有较好的群体信息利用能力，差分进化具有很好的群体信息开发能力，提出混合扰动迁移算子。该算子将基于非支配解集中边界个体的扰动迁移操作，通过采用交叉参数与差分进化中变异操作相结合，使其即考虑到了群体的多样性，又兼顾了群体的扩展性。然后，将混合扰动迁移算子与变异算子一起用于群体的进化，采用外部种群保存进化过程中获得的非支配解，并用拥挤距离对外部种群实行更新；最后对算法进行定性与定量分析，结果表明所设计算法对于各类型测试问题均能够搜索到一组范围较广、分布均匀且多样性较好的Pareto最优解。针对约束多目标优化问题，提出基于生物地理学的约束多目标优化算法。在约束处理方法上，充分考虑优秀的不可行解，即约束违反度较小的个体所携带的信息，将其与距离最近的非支配可行解进行交叉，使其向可行解转化，进而增强群体的多样性；同时考虑到物种在迁移过程中，会受到其他个体和随机因素的影响，提出基于其他个体差异的扰动迁移操作，将其用于可行解的进化，来产生更多的非支配可行解；可行解与不可行解的同时进化，使得算法从可行域的内部与外部同时向Pareto前沿靠近。通过经典函数测试和文献中公认的有效算法比较，仿真结果表明所设计算法对于求解约束多目标优化问题存在一定的优越性。最后，将基于生物地理学的约束多目标学优化算法应用于求解机器人路径规划。首先采用网格法对机器人运行环境进行建模，将机器人运行路径长度、光滑性作为优化的目标，与障碍碰撞程度作为约束条件，则机器人路径规划转化为约束多目标优化问题；然后在搜索路径时，将路径与个体、路径节点与个体基因变量相对应，采用基于生物地理的约束多目标优化算法对路径进行规划；最后通过在不同环境下测试，及与经典算法的比较，实验结果表明基于生物地理学的约束多目标优化算法对于规划机器人路径的是有效的。