智能优化算法又称为现代启发式算法,是一种通用性强、适合并行处理且具有全局优化性能的算法,在许多工程应用中有优异的表现。近年来生物地理学优化算法在国内外智能优化算法研究及工程领域引起了许多学者的关注。生物地理学优化算法主要通过迁移、变异和去重来不断更新栖息地。其中,迁移算子可以交换不同栖息地之间的信息,增加算法的开发能力;变异算子可以改变当前栖息地的状态,提升算法的探索能力;去重算子用于去除重复的栖息地,保证了解的多样性。作为一种并行搜索算法,生物地理学优化算法（BBO）在许多复杂的优化问题中具有广阔的应用前景。本文介绍了生物地理学优化算法的研究背景和意义,描述了其数学模型和基本流程,综述了国内外相关的研究现状。针对BBO算法在解决实际问题中适应性不足以及处理高维问题时效率不高、波动性大的问题,提出了三方面的改进,并且应用于解决不同规模的TSP问题。本文主要的工作包括:（1）针对原始BBO算法线性迁移算子以及变异算子适应性不足的问题,提出了三种非线性迁移率模型,分别为Logistic迁移率模型、三次多项式迁移率模型和双曲正切变型迁移率模型;提出了三种新的变异率模型,分别为Beta变异策略、Gamma变异策略和Poisson变异策略。基于17个典型的基准函数的测试结果显示,针对迁移率模型,在多数测试函数下,基于双曲正切变体迁移率模型的BBO算法寻优能力最佳,其解更接近函数的全局最小值。针对变异策略,在多数测试函数下,Beta变异策略、Gamma变异策略和Poisson变异策略表现非常优异,显著优于原始变异模型,且与相关改进算法（包括Cauchy变异策略和Gaussian变异策略）相比也有显著的优越性。（2）针对BBO算法处理高维优化问题时寻优速度慢以及波动性大的问题,提出了多种群生物地理学优化算法Multi-BBO,采用K-means聚类将栖息地空间分解为若干子栖息地,对于各子栖息地分别进行局部优化,并且全局交换信息,进而融合为完整的栖息地,有效提升了算法处理大规模优化问题的速度和稳定性。同时引入模拟退火的思想,设置其变异操作为择优变异,即对于每个栖息地的变异操作,栖息地以一定概率接受比当前解更差的情况,提升算法跳出局部最优的能力。（3）将Multi-BBO算法应用于求解不同规模的旅行商问题,基于直观的人为数据和部分TSPLIB数据进行测试,实验结果表明算法在小型数据集上的表现最佳,优于中型数据集。