随着互联网技术的突破发展,网络用户增多,造成了大量数据的出现,怎样从大量数据中迅速找到有利用价值的信息是一个难题,推荐系统是目前解决这类问题的有力工具之一。迄今为止,各大平台上的推荐系统不仅应用广泛,且推荐技术也越来越成熟。传统的推荐系统主要考虑了推荐的精确度,对于其他推荐指标考虑较少,导致推荐结果偏向性明显。只考虑一个指标的推荐,不仅不能满足现阶段人们多样化的需求,也使非热门项目更加不热门。因此,个性化推荐系统已成为现代化的主流推荐方式,它依据用户特征做推荐,可以满足多种需求。多种需求的个性化推荐问题可以通过数学建模转化成多目标优化问题,智能优化算法是解决优化问题的重要方法。本文利用基于分解的多目标框架将个性化推荐问题建模成一个多目标优化的问题,先用Bias SVD预测评分,得到候选列表|C|;再用基于分解的多目标算法对考虑两个推荐指标的个性化推荐模型进行优化,进一步做更好的推荐。在众多算法中,教学优化算法（Teaching-Learning-Based Optimization,TLBO）依据其参数少、实现简单、容易理解等优势常被用来解决各种优化问题。原始的TLBO在处理最优值在原点附近的问题时具有很明显的优势,但在处理复杂问题时寻优能力有限。为了提高TLBO的优化性能,拓展TLBO在实际问题中的应用,对TLBO做出了改进。将改进后的TLBO应用到基于分解的多目标算法中,以此来解决个性化推荐问题是一种新思路。TLBO改进的详细介绍如下:（1）依据回溯搜索算法（Backtracking Searching Algorithm,BSA）全局搜索能力较强和保留历史种群信息的特点,将TLBO和BSA合理的结合起来,形成一种新的带回溯搜索的教学优化算法（TLBO-BSA）。新算法以TLBO的两个阶段为框架,在“教”阶段和“学”阶段分别与BSA结合;“教”阶段TLBO和BSA分别产生一个候选种群,再依概率随机混合产生新种群;“学”阶段和“教”阶段一样产生两个候选种群,再依概率随机选择产生新种群;且在BSA中引入了最优个体引导机制,提升了BSA的收敛精度。最后,通过在函数集上的测试验证了TLBO-BSA算法的优越性。（2）提出了一种多策略集成教学优化算法（METLBO）。新算法根据教学优化算法的特点,选取了包含教学优化算法变异策略在内的五个更新策略,分别在“教”阶段和“学”阶段进行策略集成,且在边界限定时采用初始化的方式。每当迭代次数是5的倍数时,以改善率为指标计算每种策略的概率。接着,再利用轮盘赌的选择机制给种群中的个体重新选择更新策略,充分利用各个策略的特点,相互补足策略本身的缺陷,改进了原始TLBO算法种群的多样性丢失过快的不足,提高了算法的整体寻优能力。通过对仿真实验结果的分析,证明了METLBO算法较原始TLBO在收敛性及鲁棒性上都有所提升。