Para mejorar el rendimiento de la optimización, aplicamos una hibridación del algoritmo de optimización basado en biogeografía adaptativa (BBO) y la evolución diferencial (DE) a problemas de optimización multiobjetivo (MOPs). Se establece un modelo de algoritmos evolutivos multiobjetivo (MOEAs), en el cual se redefine el índice de idoneidad del hábitat (HSI), basado en la relación de dominancia de Pareto y la información de densidad entre los individuos del hábitat. Luego, diseñamos un nuevo algoritmo, en el que la probabilidad de modificación y la probabilidad de mutación se cambian, de acuerdo con la relación entre el costo de la función de aptitud de los hábitats seleccionados aleatoriamente de la última generación y el costo promedio de la función de aptitud de todos los hábitats de la última generación. Los operadores de mutación basados en el algoritmo DE se modifican, y los operadores de migración basados en el número de iteraciones se mejoran para lograr un mejor rendimiento de convergencia. Se realizan experimentos numéricos en diferentes funciones de referencia ZDT y DTLZ, y los resultados demuestran que el algoritmo MABBO propuesto tiene un mejor rendimiento en la convergencia y las propiedades de distribución en comparación con otros MOEAs, y puede resolver problemas de optimización multiobjetivo más complejos de manera eficiente.