Para integrar grandes cantidades de datos biomédicos heterogéneos en ontologías biomédicas y proporcionar más opciones para el diagnóstico clínico, este trabajo propone un Algoritmo Evolutivo Multi-Objetivo Multi-modal Adaptativo (aMMOEA) para emparejar dos ontologías biomédicas heterogéneas al encontrar los conceptos semánticamente idénticos. En particular, primero proponemos dos métricas de evaluación sobre la calidad de la alineación, que calculan las características estadísticas y lógicas de la alineación, es decir, su medida f y su conservatividad. Sobre esta base, construimos un nuevo modelo de optimización multi-objetivo para el problema de emparejamiento de ontologías biomédicas. Al analizar la esencia de este problema, señalamos que es un Problema de Optimización Multi-modal Multi-objetivo (MMOP) a gran escala con soluciones óptimas de Pareto dispersas. Luego, proponemos un aMMOEA específico para el problema para resolver este problema, que utiliza la Matriz Guía (GM) para guiar de manera adaptativa la convergencia y diversidad del algoritmo en los espacios de objetivos y decisiones. El experimento utiliza las pistas biomédicas de la Iniciativa de Evaluación de Alineación de Ontologías (OAEI) para probar el rendimiento de aMMOEA, y las comparaciones con dos técnicas de emparejamiento basadas en MOEA de última generación y los participantes de OAEI muestran que aMMOEA es capaz de determinar de manera efectiva soluciones diversas para los tomadores de decisiones.