El algoritmo de colonia de abejas artificiales (ABC), una novedosa categoría de algoritmo de optimización inteligente biónico, se ha logrado para resolver problemas complejos de optimización no lineal. Estudios anteriores han demostrado que el algoritmo ABC es competitivo con otros algoritmos de optimización inspirados en la biología, pero aún existen varias insuficiencias debido a la ecuación de búsqueda de soluciones ineficiente (SSE), que funciona bien en la exploración pero mal en la explotación. Para mejorar la precisión de las soluciones, este artículo propone un algoritmo ABC modificado basado en el mecanismo de autoaprendizaje (SLABC) con cinco SSE como el grupo de operadores candidatos; entre ellos, uno es bueno en la exploración y dos son buenos en la explotación; otro SSE pretende equilibrar la exploración y la explotación; además, el último SSE con tamaño de paso de vuelo de Lévy que puede generar un tamaño de paso más pequeño con alta frecuencia y un tamaño de paso más grande ocasionalmente no solo puede equilibrar la exploración y la explotación, sino que también posee la capacidad de escapar del óptimo local. Este artículo propone un mecanismo de autoaprendizaje simple, en el que se selecciona el SSE según la proporción de éxito anterior en la generación de soluciones prometedoras en cada iteración. Se llevan a cabo experimentos en un conjunto de 9 funciones de referencia con el propósito de evaluar el rendimiento del método propuesto. Los resultados experimentales ilustraron que el algoritmo SLABC logra una mejora significativa en comparación con otros algoritmos competitivos.