迭代学习控制是一种智能控制技术，它是在有限的时间区间内或周期性重复相同作业、高精度地跟踪期望轨迹的控制技术。它通过对期望轨迹的重复学习，以期望输出和实际输出的偏差不断地修正输入，使得实际输出逐渐逼近期望输出轨迹，最终实现完全跟踪。现今工业中，随着重复性和周期性的系统以及生产过程的不断出现，迭代学习控制已经成为了现代控制技术中的一种重要的控制方法。　　为了提高非线性优化迭代学习控制算法的收敛性能，获得更好的跟踪性能，本文采用混合蛙跳算法实现迭代学习控制的性能优化，提出了一种基于混合蛙跳算法的优化迭代学习控制算法。混合蛙跳算法结合了模因算法和粒子群算法的优点，利用混合蛙跳算法来处理迭代学习控制中的非线性问题和输入有约束的问题，使得算法的参数选择简单，搜索空间小，收敛速率得到提高。此外，通过对蛙跳算法搜索到的控制输入施加滤波器，在不影响跟踪效果和误差的前提下，可以有效地滤除由于蛙跳算法的随机性产生的输入的高频部分，使其曲线更为光滑。仿真结果表明基于混合蛙跳算法的优化迭代学习控制算法收敛率优于基于克隆选择算法的优化迭代学习控制算法和基于遗传算法的优化迭代学习控制算法。　　迭代学习控制算法中的学习参数的选取对于迭代学习控制的收敛性以及收敛率的影响非常大。传统的PID型迭代学习控制中，学习参数的设置需要凭借经验选取，具有一定的盲目型，算法分析给出的收敛条件并不能用于学习参数的选取。　　本文针对此问题采用混合蛙跳算法优化PID控制器的学习参数，提出了一种基于混合蛙跳算法的 PID型迭代学习控制算法，通过该算法可得到不满足 PID型迭代学习控制单调收敛条件但依然能使系统单调收敛的PID学习参数。　　最后，将基于混合蛙跳算法的优化迭代学习控制算法应用于双关节机械手的实际应用中，通过仿真验证了算法的有效性和可行性。