教学优化算法(Teaching-learning-based optimization,TLBO)是一种基于群智能的现代启发式优化算法,该算法具有无特定参数、收敛速度快、易于实现且有效等优点。自2010年提出以来,已经得到了国内外学者的广泛关注。然而,对算法收敛性的理论分析和TLBO算法的动力学分析需要进一步的调查研究,对于将TLBO算法扩展到求解离散变量优化问题也是十分必要的。本文试图提供一些基于离散变量的教学优化算法以拓展到更多的应用领域,主要内容如下:(1)根据旅行商问题(Traveling Salesman Problem,简称TSP)的特点,定义了一种有效的学习者个体表征方式。此外,所有学习者都被随机分成若干个学习者数量相等的子群,以提高种群的多样性,减少陷入局部最优的可能性。在每个子群中,新的学习者在“教”阶段和“学”阶段都是由交叉操作、合法性检测和变异操作生成,然后根据贪婪选择确定子代学习者。最后,为了验证算法的性能,对TSP问题进行了检验。实验结果表明,与其他算法相比,所提出的离散教学优化算法应用在TSP问题上是有效的。(2)根据社区检测问题的特性,重新定义了学习者的个体表征方式,并对学习者的更新规则进行了重新设计。在充分考虑复杂网络特点的基础上,采用了一种针对该问题的种群初始化方法和基于邻域的搜索算子来保持种群的多样性。通过对现实世界中的数据集进行测试,其结果表明,所提出的算法在社区检测问题中表现良好且是有效的。(3)根据无线传感器网络(Wireless Sensor Network,WSN)覆盖问题的特点,设计了一种适合WSN覆盖问题的个体编码方式,采用环形邻域搜索机制来保持种群的多样性,减少算法陷入局部最优的可能性;此外,在该方法中,所提出的算法通过对传感器节点调度使冗余节点休眠,以此来节省网络的能量、延长网络的生命周期;且通过唤醒休眠状态中某些传感器节点的优化策略来保持所提出的的感知覆盖率。通过仿真实验,结果表明,所提出的算法在无线传感器网络覆盖问题中表现良好且是有效的。