教与学优化算法(Teaching-Learning-Based Optimization Algorithm,TLBO)是一种新的智能优化算法,在2011年由印度学者Rao等人提出。因其结构简单,易于理解,参数少,有极强的收敛能力和较好的全局搜索能力,已成功的应用于许多工程问题中,如非线性连续大规模优化、平面钢框架优化设计等单目标优化问题、动态电力经济调度等多目标优化问题。本文针对教与学优化算法局部开发能力差,易陷入局部最优的缺点,对TLBO算法的基本原理及收敛性的理论分析进行了深入的研究,提出几种改进的TLBO算法,并应用到IIR滤波器的设计以及电力经济调度等问题中。本文的主要研究工作可以归纳如下:(1)为了提高TLBO算法在解决高维复杂问题时,易陷入局部极小的缺点,提出了一种基于反向学习的多学习教与学优化算法(MTLBO)。通过反向学习技术拓展搜索空间,增加解的多样性,进一步增强算法的全局搜索能力。引入多学习机制,使其更有效的进行局部搜索,加快收敛速度。同时提出一种小概率变异策略,增加跳出局部最优的可能性。在基准测试函数上进行验证实验,结果表明,与TLBO算法、I-TLBO算法以及其他优化算法相比,本文算法在低维和高维函数上都取得了较好的优化效果。(2)针对基本的TLBO算法在解决非线性多模态问题时,找不到全局最优值及寻优精度低等缺陷,提出了一种改进的教学优化(MTLBO)算法,并将其用于IIR数字滤波器的设计。改进算法引入反向学习技术,以拓宽搜索空间,增加解的多样性,降低算法陷入局部最优的可能性。同时为避免迭代初期的无效搜索,针对性的设计了分段式的学习因子,用以均衡算法的全局搜索和局部搜索能力。将MTLBO算法应用于IIR数字滤波器同阶和降阶模型的设计,通过两个典型案例的仿真实验,验证了该方法的优越性。(3)为了更好的均衡TLBO算法的收敛和发散,提出了一种改进的教与学优化算法,在改进的算法中采用自适应控制的教学因子,采用多种群协同学习策略,多个种群采用不同的学习策略,有效的防止陷入局部最优的可能性。还采用精英策略对种群中历史最优进行存档,以保留优秀个体,来加快算法的收敛速度。通过解决电力环境经济调度问题,算例仿真结果表明了算法的有效性。