粒子群优化PSO(Particle Swarm Optimization)算法是由Kennedy和Eberhart于1995年提出的一种优化算法。它源于鸟群集体行为的启发,与其它进化算法相比,它是很有竞争力的神经网络学习算法。由于粒子群的聚集性,群体多样性的丢失不可避免。在搜索的后期,粒子聚集成群,搜索空间十分有限,粒子群可能陷入局部极值点。量子粒子群优化QPSO(Quantum-behaved Particle Swarm Optimization)算法是从量子力学的角度出发提出的一种新的PSO算法模型,这种模型以Delta势阱为基础,认为粒子具有量子的行为。为了避免陷入局部极值点,本文在QPSO算法基础上引入变异机制,以自适应变异概率对个体进行变异,以此来增加种群的多样性,同时,为了防止最优值的丢失,首次采用精英保留策略,建立精英个体序列库,提出了自适应变异量子粒子群优化AMQPSO (adaptive QPSO with mutation operator )算法。系统辨识是研究建立生产过程数学模型的一种理论和方法,其辨识方法很多,但都存在各方面的局限性,我们利用AMQPSO算法进行系统参数的辨识;同时,将非线性方程组的求解问题转化为函数优化问题,利用AMQPSO算法求解非线性方程和方程组的解;如何确定模糊产生式规则的各项参数对模糊Petri网(FPN)的建立具有非常重要的意义,并且也是目前的研究热点之一,我们将一种充分结合AMQPSO算法和BP网络学习算法各自优点的混合算法ABHA(AMQPSO and BP Hybrid Algorithm)引入到模糊Petri网的参数寻优过程。本文的主要工作如下:1. QPSO算法与AMQPSO算法分析及研究。2. AMQPSO算法在系统辨识中的应用。3. AMQPSO算法在求解非线性方程和方程组的解中的应用。4. ABHA在模糊Petri网参数优化中的应用。本文将AMQPSO应用到系统参数的辨识中,辨识结果表明该算法能有效地克服传统辨识算法存在的一些局限性,具有参数辨识精度高,抗噪声能力强,对输入信号通用性强,也适用于非线性系统参数辫识,具有重要的工程应用价值;利用AMQPSO算法解非线性方程和方程组,这种算法有高度的适应性、鲁棒性和并行性,是一种不需使用导数信息和初始点的高效智能算法,实验结果表明了算法的有效性。将ABHA引入到模糊Petri网的参数寻优过程,仿真实例表明,这种混合算法计算简单,收敛速度快,能够明显减少迭代次数,具有更好的全局收敛性能,由此训练出的参数正确率较高,所得的FPN具有很强的泛化能力和自适应性。