针对教与学优化（TLBO）算法在处理优化问题时存在搜索不均衡、易陷入局部最优、综合求解性能弱等缺陷，提出一种基于均衡优化与莱维飞行策略的改进教与学优化算法ELMTLBO。首先设计精英均衡引导策略，通过种群中多个精英个体的均衡引导提高算法的全局寻优能力；其次在TLBO算法的学习者阶段后，利用自适应权重策略对莱维飞行产生的步长进行自适应缩量，以提高种群局部寻优能力，增强个体对复杂环境的自适应性；最后设计了变异算子池逃逸策略，通过多个变异算子的协同引导，提升算法的种群多样性。为验证算法改进的有效性，将EMLTLBO算法与侏儒猫鼬优化算法（DMOA）等先进的智能优化算法以及平衡教与学优化（BTLBO）算法、标准TLBO等同类型算法在15个国际测试函数上进行综合收敛性能比较。统计实验结果表明，与先进的智能优化算法和TLBO算法变体相比，ELMTLBO算法能够有效平衡其搜索能力，不但有效求解单峰和多峰问题，而且在复杂多峰问题上仍有显著的寻优能力。在不同策略的共同作用下，ELMTLBO算法的综合优化性能突出，全局收敛性能较为稳定。此外，ELMTLBO算法成功应用于基于隐马尔可夫模型（HMM）的多序列比对（MSA）问题中，优化后得到的高质量对齐序列可用于疾病诊断、基因溯源等，可为生物信息学提供算法支撑。

针对多视图数据分析易受原始数据集噪声干扰，以及需要额外的步骤计算聚类结果的问题，提出一种基于一致图学习的鲁棒多视图子空间聚类（RMCGL）算法。首先，在各个视图下学习数据在子空间中的潜在鲁棒表示，并基于该表示得到各视图的相似度矩阵。随后，基于得到的多个相似度矩阵学习一个统一的相似度图。最后，通过对相似度图对应的拉普拉斯矩阵添加秩约束，确保得到的相似度图具有最优的聚类结构，并可直接得到最终的聚类结果。该过程在一个统一的优化框架中完成，能同时学习潜在鲁棒表示、相似度矩阵和一致图。RMCGL算法的聚类精度（ACC）在BBC、100leaves和MSRC数据集上比基于图的多视图聚类（GMC）算法分别提升了3.36个百分点、5.82个百分点和5.71个百分点。实验结果表明，该算法具有良好的聚类效果。