与传统优化算法相比,智能优化算法原理简单,可操作性强,能够解决复杂优化问题,因此在求解优化问题时发挥着不可替代的作用。无数的学者们投入到了智能优化算法的研究中去,在2010年,印度学者Rao等人提出一种智能优化算法,该算法模仿老师给学生传授知识和学生自学知识的过程,因此算法取名为教与学优化算法(TLBO),它原理简单易懂,控制参数少,具有较快的收敛速度,自提出以后,学者们对它进行了广泛而又深入的研究,许多改进算法也被提了出来,这些算法中的大部分已经被应用到了各个领域和行业。教与学优化算法原理易懂,步骤简单,但是局部搜索能力有所欠缺,容易陷入局部最优解,本文针对这些不足之处,在解决无约束优化和约束优化问题时做了以下的研究工作:(1)对于无约束优化问题,提出了一种混合教与学优化算法。为了增强算法的搜索能力,将反向学习策略融入到了基本教与学优化算法中,每一次迭代都评估当前点和当前点的拟反向点,选择最好的个体进入下一代,同时提出了一种拟最速下降法的搜索策略,指引搜索方向,让种群的进化更有方向性,最后在学习阶段加入环形邻居结构,让个体随机的在邻居或者全部个体中选择个体进行学习,增加局部搜索能力的同时保证了种群的多样性。通过仿真分析,无论是求解低维优化问题还是求解高维优化问题,混合算法都表现出了优良的特性,求解的精度和收敛速度都优于文中列出的大部分算法。(2)对于约束优化问题,提出了一种协同进化教与学优化算法,通过两个种群之间的协作,求得优化问题的最优解。等式约束转化为不等式约束时会产生约束容忍度参数,本文首次提出将约束容忍度参数也加入到协同进化参数集中实现自适应进化的策略,提出了一种随机变异自我学习策略,增加了种群搜索效率,根据统计学知识对已有协同进化算法的适应度函数进行改进,并将种群进化分为进化前期阶段和进化后期阶段,根据两个阶段不同的进化目标,对适应度函数进行不同的调整,使得搜索过程更有目的性,增加了种群多样性,保证了教与学优化算法控制的优良特性。对等式约束优化问题和工程问题的求解过程证明了新提出的算法具有较高的求解效率。