教与学优化算法（Teaching-Learning Based Optimization,TLBO）是一种新型启发式群智能优化算法,近年来被广泛应用于解决生产生活中的优化问题。TLBO算法具有参数少、收敛速度快的优点,但是在进行高维复杂优化时,会不可避免地出现早熟收敛、陷入局部极值等问题,难以达到人们的优化需求。本文针对TLBO的缺陷进行改进,并将其应用到实际问题中,使其发挥自身的应用价值。具体工作如下:（1）对教与学优化算法、果蝇优化算法和灰狼优化算法这三种主流的群智能算法进行概述,并在单峰、多峰函数上进行对比实验,结果表明教与学优化算法存在求解精度低、逃离局部最优的能力较弱等不足,性能有待提高,也从侧面突出了本文的研究意义。（2）针对教与学优化算法易早熟,解精度低,甚至收敛于局部最优的问题,提出一种基于天牛须搜索和教与学优化的混合改进算法。采用Tent映射反向学习混合初始化策略,根据适应度值由好到坏排序,选择质量较高的个体组成初始解集。在“教”阶段,对教师个体执行天牛须搜索算法,增强教师教学水平,提高最优解的精确性。在“学”阶段,对学生个体进行混合变异,从而跳出局部最优,使算法可以根据迭代进程有侧重性地选择加强全局或局部搜索能力。在经典benchmark测试函数上,设计不同条件下的性能对比实验,并通过多个算法对比,验证了所提算法的改进有效性。使用压力容器设计优化问题对算法进一步的验证,分析其在带约束的工程优化问题中求解性能,与其它算法对比结果说明,相同实验条件下,迭代较少的次数就可以获得不错的精度,且总成本最低。（3）针对教与学优化算法参数设置不合理,跳出局部最优能力不强等问题,提出一种具有自适应特性的改进教与学优化算法。该算法定义了学习效率和聚集度参数,在此基础上给出教学因子的动态调整策略,更好地平衡了算法全局搜索与局部搜索的能力。为了使初始候选解在空间内均匀分布,尽可能地覆盖到最优解所在区域,引入佳点集机制来初始化种群。在算法迭代进程中,通过学生个体重构策略使学习较差的学生向排名靠前的同学进行学习,生成新的个体。从CEC2013中选择10个基准测试函数在不同维度下进行仿真测试,相比于其它算法,所提算法求解精度高,鲁棒性好。此外,改进算法在求解焊接梁最小费用问题时也表现出显著的性能优势。（4）使用本文所提出的两种改进教与学优化算法解决实际化工生产中甲醇转化为烃类物质参数辨识问题,模型输出值与观测值之间误差很小,比参与对比的其它算法优秀。