Las técnicas de optimización evolutiva convencionales a menudo tienen dificultades para encontrar óptimos globales, quedando atrapadas en óptimos locales en su lugar, y pueden ser sensibles a las condiciones iniciales y configuraciones de parámetros. La asignación eficiente de Generación Distribuida (DG) en sistemas de distribución depende de algoritmos de optimización eficientes que manejen operaciones energéticas complejas, apoyen decisiones en tiempo real, se adapten a dinámicas y mejoren el rendimiento del sistema, considerando costos y calidad de energía. Este artículo propone el Algoritmo de Optimización Basado en Enseñanza-Aprendizaje Cuasi-Oppositional-Simulated-Annealing para asignar eficientemente DGs dentro de un sistema de prueba de distribución. El estudio se centra en turbinas eólicas, unidades fotovoltaicas y células de combustible como DGs prominentes debido a sus tendencias de uso crecientes. Los objetivos de optimización incluyen minimizar pérdidas de voltaje, reducir costos y mitigar emisiones de gases de efecto invernadero en el sistema de distribución. El algoritmo propuesto se implementa y evalúa en el sistema de prueba de 70 buses del IEEE, con un análisis comparativo realizado contra otros métodos evolutivos como Algoritmo Genético (GA), Optimización por Enjambre de Partículas (PSO), Optimización del Apareamiento de Abejas Reina (HBMO) y Algoritmos de Optimización Basados en Enseñanza-Aprendizaje (TLBO). Los resultados indican que el algoritmo propuesto es efectivo en la asignación de los DGs. Las pruebas estadísticas confirman resultados significativos (probabilidad < 0.1), indicando capacidades de optimización superiores para este problema específico. Crucialmente, el algoritmo propuesto destaca tanto en precisión como en velocidad computacional en comparación con otros métodos estudiados.