生物地理优化算法(biogeography-based optimization,简称BBO)是一种新型的基于生物地理学的算法。其独特的机制为智能优化算法研究领域注入了新的理念,而且生物地理学众多的研究成果也为该算法的进一步研究提供深厚的理论基础。它通过生物地理中的迁移算子来进行各解之间的信息共享,该算法设计了一种基于概率的个体迁移算子,从而实现个体间的信息共享。在BBO中,问题的解决方案表示为群岛,通过迁入和迁出进行信息共享,文中介绍了生物地理学的稳态物种数,介绍了BBO中的6种不同的迁移模型。此外对生物地理学优化算法的设计原理、算法流程及相应迁移和突变操作进行了详细介绍,论述了该新型算法与传统优化算法之间的差异以及BBO算法有待解决的问题。实验通过多个测试函数验证其性能,与蚁群算法、遗传算法、差异进化算法、进化策略、基于群体增量学习算法和StudGA等算法进行比较。实验数据表明,生物地理优化算法还有很大的发展空间,足以与其他算法相竞争。生物地理优化算法的实验结果表现出解决优化问题的能力,借鉴其他算法的特点可以进一步提高它的优势。本文的第二个工作就是加入差异进化的特点,以此提高生物地理优化算法的性能。差分进化是一种快速且强劲的全局优化的进化算法,针对生物地理优化算法本身的不足,本文提出了一种结合差分进化思想的生物地理优化算法,即BBODE,用来解决全局数值优化问题。BBODE有效地结合了差分进化的探索能力和生物地理优化算法的开采能力,因此它可以生成有希望的候选解。本文用19种不同维数和多样复杂的测试函数来验证我们提出的算法,实验结果表明我们的方法切实高效。与基本的差分进化和生物地理优化算法对比,从最后解的质量和收敛性的方面来说,BBODE的性能更好,或者至少等同。BBODE的性能远远优于BBO,与DE比极具竞争性。移动机器人的路径规划是移动机器人技术研究中关键的问题之一。新兴的生物地理优化算法,还没有运用到路径规划的领域中。本文将生物地理优化算法运用到路径规划研究中,对其规划效果进行分析,是本文的最后的工作。静态环境中移动机器人全局路径规划一直是路径规划中的一个重要问题。将混合差异进化思想的生物地理优化算法应用到静态环境下机器人全局路径规划中。该方法通过障碍物的数量来确定所需的路径点数(岛屿上的SIV个数),使得它能更广泛地应用于不同环境,仿真实验表明了该方法的有效性。