模糊Petri网（Fuzzy Petri net,FPN）是将Petri网（Petri net,PN）理论与模糊理论结合而提出来的用于描述知识库系统中的模糊产生式规则（Fuzzy production rule,FPR）结构化特性的一类向后拓展的高级网模型。然而,FPN中三类参数（权值、阈值和确信度）往往需要依赖专家经验来确定,从而导致FPN存在自学调整能力差、泛化能力弱等不足。因此,如何将群智能优化算法应用在FPN的参数优化问题中来提高FPN的自适应能力是目前FPN领域的研究热点之一。本文针对标准和声搜索算法的不足,结合FPN的特点,提出了一种基于改进和声搜索算法,并将其运用到FPN的参数优化中,从而达到增强FPN自适应能力的目的。具体而言,本文主要完成以下两个方面的工作。（1）针对传统和声算法收敛速度慢、搜索精度低等固有缺陷,提出了一种混合人工蜂群算法（Artificial bee colony,ABC）和莱维飞行（Lévy flight,LF）机制的改进和声搜索算法（hybrid harmony search and artificial bee colony algorithm with Lévy flight,HS-ABC-LF）,改进具体表现为如下几点。首先,在和声生成阶段,通过线性调整方法来实现一种改进的自适应方程;其次,在即兴创作阶段,利用人工蜂群算子动态的扩大搜索区域范围,寻找潜在的次优解,增强算法的收敛度和精度;最后在更新阶段,引入了布谷鸟算法中的莱维飞行机制,增加和声向量的多样性,扩大搜索范围,从而更快地跳出局部最优。为了证明提出的HS-ABC-LF算法的可行性和鲁棒性,将提出的HS-ABC-LF算法与其他三种改进和声算法通过10个经典测试函数优化的结果进行分析对比。实验结果表明,较其他改进和声搜索算法,提出的HS-ABC-LF算法具有更好的全局搜索能力和更快的收敛速度。（2）根据FPN的实际特点,将提出的HS-ABC-LF算法运用到FPN的参数优化过程中,并详尽分析了HS-ABC-LF算法的进化过程比较结果和适应度曲线图。同时,将HS-ABC-LF算法与其他三类改进和声搜索算法运用到同一个模FPN模型中进行参数优化,通过对均值、方差等指标进行性能对比分析。实验部分通过随机生成的20组非样本输入数据在经不同改进HS算法参数优化后的FPN模型上执行推理过程,并利用实际输出结果与期望输出结果进行对比分析。实验结果表明,经HS-ABC-LF算法优化后的FPN模型具有一定的自适应能力以及较高的推理结果精度。