La optimización robusta se preocupa por encontrar una solución óptima que sea insensible a las incertidumbres y ha sido ampliamente utilizada en la resolución de problemas de optimización del mundo real. Sin embargo, la mayoría de los métodos de optimización robusta sufren de altos costos computacionales y una convergencia pobre. Para aliviar los problemas mencionados, se propone un algoritmo de optimización robusta mejorado. En primer lugar, para reducir el costo computacional, se utiliza el modelo de aproximación de la serie de Taylor de segundo orden para aproximar los índices de robustez. En segundo lugar, para fortalecer la convergencia, se estudia el algoritmo de transición de estado para explorar todo el espacio de búsqueda de soluciones candidatas, mientras que se adopta la programación cuadrática secuencial para explotar el área local. En tercer lugar, para equilibrar la robustez y la optimalidad de las soluciones candidatas, se investiga un mecanismo de selección basado en preferencias que determina efectivamente la solución prometedora. El método de optimización robusta propuesto se aplica para obtener las soluciones óptimas de siete ejemplos que están sujetos a variables de decisión e incertidumbres de parámetros. Estudios comparativos con otros algoritmos de optimización robusta (algoritmo genético robusto, método de optimización robusta asistida por metamodelo de Kriging, etc.) muestran que el método propuesto puede obtener soluciones precisas y robustas con menos costo computacional.