El proceso de optimización asistida por surrogados (SAO) puede utilizar el conocimiento contenido en el modelo de surrogate para acelerar el proceso de optimización aerodinámica. El uso de este conocimiento puede considerarse como la forma principal de diseño de optimización inteligente. Sin embargo, todavía existen algunas dificultades para mejorar los niveles de diseño inteligente, como la utilización insuficiente de los datos del proceso de optimización y el ajuste de los parámetros de optimización que depende de la intervención y experiencia del diseñador. Para resolver los problemas mencionados, se propone un nuevo marco de optimización basado en el aprendizaje-teaching asistido por datos aerodinámicos (TLBO) para la optimización de formas aerodinámicas (ASO) con restricciones. La principal contribución del estudio es que se promueve la ASO utilizando datos de procesos aerodinámicos históricos generados durante el proceso de optimización sin gradientes. Mientras tanto, el ajuste no paramétrico del algoritmo TLBO puede ayudar a aliviar la experiencia de diseño manual para aplicaciones de ingeniería reales. Basado en la estructura del algoritmo TLBO, se propone un método de predicción óptima del modelo como la nueva estrategia de soporte asistido por surrogate para acelerar el proceso de ASO. El método propuesto se aplica a diseños de perfiles alares y formas de alas para verificar el efecto y la eficiencia de la optimización. Se emplea una optimización de diseño aerodinámico de referencia para la minimización de la resistencia del perfil alar RAE2822. Los resultados optimizados indican que el método propuesto tiene ventajas de alta eficiencia, fuerte capacidad de optimización y características no paramétricas para ASO. Además, los resultados de la optimización de la forma del ala verifican las ventajas de los métodos propuestos sobre la optimización basada en surrogados y los marcos de optimización directa.