Para resolver los problemas de la capacidad deficiente del algoritmo de búsqueda de gorriones original para salir de los extremos locales y su capacidad insuficiente para lograr la optimización global, este documento simula las diferentes formas de aprendizaje de los estudiantes en cada segmento de clasificación en la clase y propone un método de aprendizaje personalizado (CLSSA) basado en el pensamiento de múltiples roles. En primer lugar, se introduce el mapeo del caos del cubo en la etapa de inicialización para aumentar la aleatoriedad inherente y la racionalidad de la distribución. Luego, se propone un mecanismo de depredación en espiral mejorado para lograr una mejor explotación. Además, se diseña una estrategia de aprendizaje personalizada después de la fase de seguidor para equilibrar la exploración y la explotación. Se utiliza un mecanismo de procesamiento de límites basado en la plena utilización de información de ubicación importante para mejorar la racionalidad del procesamiento de límites. El CLSSA se prueba en 21 problemas de optimización de referencia, y su robustez se verifica en 12 funciones de alta dimensionalidad. Además, se demuestra aún más la capacidad de búsqueda integral en las funciones de prueba CEC2017, y se proporciona una clasificación intuitiva mediante los resultados estadísticos de Friedman. Finalmente, se utilizan tres problemas de optimización de ingeniería de referencia para verificar la efectividad del CLSSA en la resolución de problemas prácticos. El análisis comparativo muestra que el CLSSA puede mejorar significativamente la calidad de la solución y puede considerarse una excelente variante de SSA.