在信息化时代背景下,科学研究和工程实践等领域鼎力发展,由此产生了许多难以解决的复杂优化问题,如何设计更加有效的优化方法,已然成为众多学术领域亟待解决的焦点问题。在这样的需求导向下,智能优化算法应势而生,因为其可以高效迅速地解决多峰、不可微、不可分、不连续等复杂的优化问题,应用前景十分宽泛,与其相关的研究迅速壮大,许多基于不同原理的新算法被相继提出。2011年,印度学者Rao基于学校教学原理提出了一种新的智能优化算法——教学优化算法,其将学生成绩比作适应度值,模仿学校提高学生成绩的方式,将教师教学和学生学习的过程抽象为教学阶段和学习阶段,其原理贴近生活,易于理解,便于使用,且控制参数较少,是解决传统优化算法难以解决的优化问题的有力算法。目前,教学优化算法相关研究处于初步阶段,与其它算法一样,基本教学优化算法也存在求解精度不高、局部搜索能力有所欠缺等问题。针对这些问题,本文以更高效、更实用、更稳定为目标对教学优化算法做出如下改进工作:(1)针对教学优化算法探索能力强但开发能力弱的特点,根据一般反向学习方法,提出了基于自学机制的教学优化算法。在该算法中,为了使教师在进化中能更好地引导种群进化,令教师个体在每次迭代前根据一般反向学习方法进行自学提升,从而有效避免由于教师本身不够优秀而对算法寻优带来的负面影响,同时,为了增强算法局部搜索能力,在学习阶段建立了三种更新机制,使个体进行概率型的有选择性的学习。最后,对18个标准测试函数进行数值实验,结果显示,相比其它算法该算法不易陷入局部“低谷”,求解精度更高,稳定性更好。(2)为了进一步地提高教学优化算法的开发能力,结合聚类划分方法提出了一种多班级交互式教学优化算法。该算法采用新型的基于欧氏距离的聚类划分方法,将初始种群划分为若干子群,从而更大化地利用种群邻域信息,提高种群局部搜索能力。同时为加强子群间的联系、保证各子群间同步进化,在教学阶段后令各子群间最差个体向种群最优个体学习,在学习阶段后令随机个体向其他子群个体学习,增强了种群多样性,提高了求解精度。通过对6个无约束函数、4个约束函数及拉压弹簧优化问题进行数值实验,结果表明该算法相对其他算法具有良好的求解精度和稳定性,且在工程优化问题中表现突出。