امروزه بیشتر مسائل بهینه سازی که بشر در دنیای واقعی با آن ها سروکار دارد بیش از یک هدف را در بر می گیرند. بهطوری که پاسخ بهینه مسئله هنگامی حاصل می شود که کلیه اهداف به یک مرز خاص از بهینگی رسیده باشند، این گونه مسائل را مسائل بهینه سازی چندهدفه می نامیم . از آنجایی که در مسائل بهینه سازی چندهدفه، باید چند هدف هم زمان بهینه گردند و ممکن است این اهداف با هم در تضاد باشند لذا با مجموعه ای از پاسخ های بهینه مواجه هستیم. بنابراین در اینجا یک مفهوم عمومی پذیرفته شده به نام پاسخ بهینه، مانند آنچه که در مسائل بهینه سازی تک هدفه وجود دارد دیده نمیشود، بلکه با مجموعه ای از پاسخ های بهینه مواجه هستیم. امروزه الگوریتم های تکاملی ابزار مناسبی برای حل مسائل بهینه سازی چندهدفه در نظرگرفته می شوند چراکه همواره با مجموعه ای از راه حل ها مواجه هستند. روش های کلاسیک در هر مرحله از اجرا تنها یک پاسخ را می توانند بیابند از اینرو نمی توانند برای یافتن مجموعه ای از پاسخ های بهینه مناسب باشند. از آنجاییکه الگوریتم های تکاملی بر اساس جمعیت هستند، یافتن یک مجموعه از پاسخهای بهینه در یکبار اجرای الگوریتم امکانپذیر میباشد. در این پایان نامه روش جدیدی برای حل مسائل بهینهسازی چندهدفه با ترکیب الگوریتم تکاملی بهینهسازی جغرافیای زیستی ، الگوریتم تکاملتفاضلی و الگوریتم تکاملفرهنگی ، معرفی شده است . برای این منظور در الگوریتم پیشنهادی اول، قابلیت استخراج bbo با قابلیت اکتشاف de ترکیب شده است. در الگوریتم پیشنهادی دوم علاوه بر استفاده ازالگوریتم هایbbo و de از فضای اعتقاد الگوریتم ca نیز برای هدایت فرآیند جستجو استفاده شده است. در نهایت کارایی الگوریتم های پیشنهادی با استفاده از چندین تابع آزمون و معیارهای همگرایی و پراکندگی، مطرح در مسائل بهینه سازی چندهدفه تکاملی، مورد ارزیابی قرار گرفته و با الگوریتم های مطرح در این زمینه مقایسه شده است. نتایج حاصل بیانگرکارایی مطلوب الگوریتم پیشنهادی در رقابت با سایر الگوریتمهای مطرح می باشد.