随着对制造过程智能化和精确量化的要求，企业往往寻求在满足各种基本制造过程约束的条件下，使得制造过程的某些指标达到最优化。在描述这些工程问题时，有的模型为离散的变量高度耦合的多模态单目标模型；有些为非凸非凹的多目标优化模型；另外有些不仅是多目标的，且与时间因素有关。在确定这些工艺最优参数时，如果采用传统的优化方法，根本无法达到制造过程的精准化控制的目标要求。因此，寻找更有效的优化方法，并应用于机械工程领域具有重要的科学意义和应用价值。随着人工智能的兴起，群体智能为复杂的机械系统优化问题特别是多目标问题开辟了新途径。本文针对几类复杂优化问题，包括经典的多模态耦合、复杂高维、静态多目标以及动态多目标问题，在“教”与“学”算法（TLBO）的基础上分别构建了基于模糊聚类分组的“教”与“学”优化算法（FGTLBO）、基于二次插值和经验的“教”与“学”优化算法（QETLBO）、基于班德文效应的多目标“教”与“学”优化算法（KBTLBO）以及基于协同进化策略的人工雨滴-“教”与“学”动态多目标优化算法（CDTLBO-ARA）。通过标准算例验证了算法的有效性，并在SiC单晶片切割过程表面粗糙度参数单目标优化、Sic单晶片线锯切割过程多目标参数优化以及线锯切割过程动态多目标参数问题等方面进行了应用。　　FGTLBO算法利用模糊聚类的理论把班级学员按照兴趣、能力等进行客观的分组，以有效维持群体的多样性，提高全局搜索能力；同时采用柯西分布的变异策略来代替均匀分布，更大概率跳出局部最优点，提高收敛速度；然后利用数学理论证明了FGTLBO算法在变量耦合的条件下的收敛性和复杂度，并讨论分组组数对算法性能的影响，仿真结果验证了该算法能更好的克服早熟收敛的问题，并通过S iC单晶片切割过程表面粗糙度参数单目标优化问题得到验证。　　为了提升算法的收敛速度，克服高维致使算法搜索性能急剧下降的“维度灾难”问题，QETLBO算法在进化后期每一维上引入二次插值算子局部探索机制。该算法在“学”阶段引入经验交流机制加以平衡，然后利用数学理论分析了QETLBO算法的时间复杂度，进一步讨论种群规模对算法性能的影响。仿真结果验证了QETLBO算法在复杂高维优化问题上的精确度和收敛速度有效性。　　KBTLBO算法采用NSGA-Ⅱ框架，同时引入“教”与“学”机制，在种群初始化时提取搜索空间的中心位置作为先验知识，然后采用班德文效应策略，从而为进化历史和个体迭代环境提供一个很好的引导机制或方向；然后利用K近邻度量方式对产生的解集进行修剪，从而得到一个分布均匀的Pareto解集。对比实验表明：提出的KBTLBO算法在收敛性、解集分布以及均匀性上都优于其他经典的多目标优化算法，并应用于线锯切割SiC单晶片多目标工艺参数优化过程中，与其他算法对比，表明该算法的有效性。　　CDTLBO-ARA算法将动态多目标优化问题连续变化的时间变量区间进行等间隔离散化，将其分割成若干小子区间，在得到的每个子区间上把动态多目标优化问题近似为静态多目标优化问题，进而利用协同思想和正反馈机制，将局部搜索能力强的人工雨滴算法（Artificial Raindrop Algorithm，ARA）与全局搜索能力强的TLBO算法相结合；然后采用Pareto等级自适应调整的交叉算子，使得优秀个体基因尽可能得到保留；在种群维护策略上，采用基于Pareto的概念，将种群分为非支配个体和支配个体，并对非支配个体进行选择维护。实验验证了该算法能有效地对环境改变做出响应，具有更强的动态环境跟踪能力，并将该算法应用于线锯切割过程动态多目标工艺参数问题优化。