ZIVARI-TLBO是一种分组的基于教学-学习的优化（TLBO）方法，它增强了现有的种群状态控制器，采用固定的群体间评估精英中继机制。在每个预定事件中，每个组将其已评估的精英提供给下一个组，精英仅在其存储的目标值更好时替换接收者的最差合格学习者。由于该中继精确复制了已评估的解决方案及其存储的适应度，因此无需额外的目标函数调用。
在相同的10,000次评估预算下，使用冻结的gts-v4-cm-fixed实现对八个经典函数（维度为10、30、50和100）以及五个约束工程问题进行了评估。与没有中继的相同分组景观感知控制器进行直接消融实验记录了728/11/221的胜/平/负，并且在各个维度上具有0.624的秩双序效应大小。在八种方法的多维比较中，WOA获得最佳平均排名（2.914），ZIVARI-TLBO排名第二（3.382）；ZIVARI-TLBO显著优于TLBO、MCTLBO、DE、PSO和GWO，显著劣于WOA，并且在Holm调整后与HHO没有显著差异。可行性意识的工程结果复杂且对当前静态惩罚公式敏感。证据支持范围中继贡献和预算一致的信息共享机制，但不支持普遍的最先进、全球收敛、工程主导或CEC优越性声明。
博主点评： ZIVARI-TLBO通过引入群体间的精英中继机制有效地提升了TLBO的性能，且在多个维度上展现出良好的竞争力。尽管在某些情况下未能超越WOA，但其零成本特性为优化算法的应用提供了新的思路，值得进一步研究与实践验证。