Para superar las limitaciones de los algoritmos de optimización inteligente de un solo tipo propensos a quedar atrapados en óptimos locales para problemas complejos, se propone un algoritmo de optimización inteligente híbrido llamado SDIQ. Este algoritmo combina recocido simulado (SA), evolución diferencial (DE), optimización de enjambre de partículas con comportamiento cuántico (QPSO) y optimización mejorada de enjambre de partículas (IPSO) en un marco unificado. Inicialmente, SA se utiliza para explorar el espacio de soluciones y guiar a los individuos hacia la optimización preliminar. Los individuos son luego clasificados por aptitud y divididos en tres subpoblaciones, cada una optimizada por DE, QPSO e IPSO, respectivamente. Después de cada iteración, el aprendizaje probabilístico basado en logaritmos de aptitud facilita el aprendizaje mutuo entre subpoblaciones, permitiendo el intercambio de información global y la mejora. Los resultados experimentales demuestran que SDIQ exhibe una fuerte capacidad de búsqueda global y estabilidad al resolver tanto funciones de prueba estándar como problemas de ingeniería del mundo real. En comparación con los algoritmos tradicionales, SDIQ mejora la convergencia global y la eficiencia de la solución al integrar múltiples estrategias de optimización y aprovechar el aprendizaje entre individuos, ofreciendo una solución efectiva para problemas de optimización complejos.