生物地理学优化算法(BBO)是一种模拟生态系统中物种地理分布和迁移的新型启发式算法,具有实现简单、鲁棒性强、搜索机制独特等特点,与其它智能算法相比,BBO算法具有良好的收敛性和稳定性,受到越来越多专家和学者的关注。作为一种新的智能优化算法,尽管现在对于BBO算法理论的完善、算法的改进以及工程问题的实际应用等方面已经有了大量的研究,但是仍然还有一些不足。因此本文将在现有的这些研究内容上,为进一步提高基本BBO算法的搜索能力和开发能力,研究了新型混合差分进化生物地理学优化算法以及基于局部搜索和非均匀变异的改进生物地理学优化算法,并对所提算法的实际应用做了一定的探索工作。具体研究内容如下:首先,研究了一种混合差分进化的改进BBO算法(Hybrid differential biogeography-based optimization algorithm,HDBBO)。针对差分进化生物地理学优化算法在收敛开始阶段速度慢的问题做出了改进,通过将BBO算法的利用性与DE算法的搜索性有效的结合,同时采用精英保留机制保留适应度较高的个体,并引入惯性权重策略调节变异操作在混合迁移操作中所占的比重,以提高算法的全局搜索能力,同时增加了小概率扰动了以防止算法随着迭代的进行陷入局部最优解,通过不同特征的测试函数的仿真以及作业车间调度问题的实验,结果表明所提方法具有更好地优化性能。其次,提出了一种基于局部搜索和非均匀变异的改进BBO算法(Improved biogeography-based optimization algorithm,IMBBO)。针对基本BBO算法需要大量迭代才能达到全局最优、收敛速度慢、易出现早熟收敛等缺点,将线性迁移模型替换为更接近自然规律的双曲余切模型,然后为了增强算法的全局搜索能力将局部搜索策略加入到BBO算法迁移操作中,同时为了避免算法在迭代后期陷入局部最优解而使用非均匀变异算子代替基本变异算子,以提高算法的收敛精度。最后,将改进的IMBBO算法应用于训练多层感知器,以验证所提算法的优化性能。针对多层感知器模型训练普遍存在的局部最优和对初值敏感等问题,将引入多层感知器输入数据的特征向量并进行优化,通过对虹膜和乳腺癌两个分类问题模型的训练结果可得知,IMBBO算法相对于几种对比算法具有更高的分类准确率。综上,本文对于BBO算法理论改进的研究对于推广其实际工程应用具有非常重要的作用。