Evolutionary algorithms belong to a class of stochastic optimization heuristics, also known as meta-heuristics, inspired by the example of natural evolution. In contrast to many other optimization techniques, evolutionary algorithms are population-based, utilize probabilistic selection, and perform random mutation and crossover on the solutions of an optimization problem. Due to the general character of these mechanisms and operators, evolutionary algorithms are suited for arbitrary data types regarding the decision variables of a given optimization problem. Additionally, these mechanisms make evolutionary algorithms very robust such that they can even be applied to non-linear, non-differentiable, multi-modal optimization problems and also multi-objective optimization problems. However, for problems without these unfavorable properties there are already very efficient non-evolutionary optimization approaches. Therefore, this thesis concentrates on the application of evolutionary algorithms especially on those problem instances where classical optimization techniques cannot be applied, either due to the unfavorable characteristics of the optimization problem or because of the required solution representation. On the one hand, this thesis proposes a novel modularization scheme for evolutionary algorithms, which allows an expert to mix different optimization strategies, representations and optimization problems arbitrarily. On the other hand, this thesis suggests clustering-based niching for evolutionary algorithms to address multi-modal optimization problems. The same niching method is also used to evaluate parallelization schemes for multi-objective evolutionary algorithms. The new modularization scheme and the proposed extensions are evaluated and tested on real-world optimization problems like system identification, portfolio selection and drug design. These diverse applications do not only illustrate the flexibility of evolutionary algorithms, but also allow this thesis to introduce problem specific extensions. For example, this thesis introduces a problem specific representation for the portfolio selection problem, and a novel interactive multi-objective optimization approach applied to the combinatorial library design. To summarize, this thesis gives numerous examples how evolutionary algorithms can be applied on multi-modal and multi-objective optimization problems. However, this investigation is not limited to theoretical benchmark problems, but this thesis also evaluates evolutionary algorithms and problem specific extensions on real-world optimization problems. Zusammenfassung Evolutionare Algorithmen gehoren zu einer Klasse der stochastischen Optimierungsal-gorithmen, auch bekannt als Metaheuristiken, welche an das Beispiel der naturlichen Evolution angelehnt sind. Im Gegensatz zu vielen anderen Optimierungsverfahren sind Evolutionare Algorithmen populationsbasierte Ansatze, die probabilistische Selektions-mechanismen sowie zufallige Mutation und Rekombinationen von Losungen benutzen. Durch diese allgemeingultigen Mechanismen sind Evolutionare Algorithmen in der Lage, Entscheidungsvariablen beliebigen Typs und eine Vielzahl verschiedener Optimierungs-probleme zu optimieren. Gleichzeitig sind Evolutionare Algorithmen sehr robust und sie sind anwendbar auf nicht-lineare, nicht-differenzierbare, multi-modale und/oder multi-kriterielle Optimierungsprobleme. Da es fur einfachere Optimierungsprobleme bereits eine Vielzahl effizienter nicht-evolutionarer Optimierungsalgorithmen gibt, konzentriert sich diese Arbeit auf diejenigen Problemstellungen, auf denen die klassischen Optimier-ungsverfahren versagen. In dieser Arbeit wird zunachst ein vereinheitlichendes Modularisierungsschema fur Evolutionare Algorithmen eingefuhrt, welches nahezu beliebige Kombinationen von Optimierungsstrategien, Reprasentationen und Optimierungsproblemen erlaubt. Zusatzlich werden Evolutionare Algorithmen mit Clustering Algorithmen kombiniert, um fur multi-modale Optimierungsprobleme mehrere verschiedene Optima zuverlassig zu erkennen. Das gleiche Clusterbasierte Schema wird auch fur die Parallelisierung von multi-kriteri-ellen Evolutionaren Algorithmen verwendet und auf seine Zweckmassigkeit gepruft. Das Modularisierungsschema und die Erweiterungen werden auf mehreren praktischen Opti-mierungsproblemen getestet, wie dem Systemidenfikationsproblem, der Portfolio Opti-mierung und der Wirkstoffsuche. Diese unterschiedlichen Optimierungsprobleme verdeutlichen nicht nur die Variabilitat von Evolutionaren Algorithmen bezuglich der erlaubten Datentypen, sondern auch die Moglichkeiten, Evolutionare Algorithmen problemspezifisch anzupassen. So wird zum Beispiel eine problemspezifische Reprasentation fur die Portfolio Selektion getestet und ein neuer, interaktiver Ansatz zur inkrementellen multi-kriteriellen Optimierung wird auf dem Kombinatorischen Bibliotheksdesign eingefuhrt. Diese Arbeit untersucht zahlreiche Anwendungen von Evolutionare Algorithmen auf multi-modalen und multi-kriteriellen Optimierungsproblemen. Die Experimente finden jedoch nicht nur auf kunstlichen Testfunktionen statt, sondern diese Arbeit wendet Evolutionare Algorithmen und die Erweiterungen direkt auf praktischen Optimierungsproblemen an. %