元启发式优化算法被广泛用于求解实际工程优化问题,具有重要的研究意义。飞蛾扑火优化算法（Moth-Flame optimization algorithm,MFO）作为一种新型的元启发式优化算法,具有结构简单、参数少、性能优越等特点,被广泛用于求解全局优化问题。尽管如此,原始的MFO算法仍存在不足之处。首先,在算法迭代过程中,由于缺乏高质量火焰种群或者飞蛾种群多样性不足,导致种群个体只能探索有限的区域。此外,火焰数量自适应机制和飞蛾位置更新方式,也会导致MFO算法陷入局部最优。为克服上述缺陷,本文基于不同机制,提出了三种飞蛾扑火混合优化算法,并将所提算法用于辨识压电定位平台的回滞模型上。存在于压电定位平台的回滞特性,严重影响定位平台的系统性能、甚至造成系统的不稳定。由于复杂的回滞特性,使得回滞的建模与参数辨识也变得异常困难。本文针对压电定位台的回滞特性,引入增强型Prandtl-Ishlinskii（PI）回滞模型,并用所提算法对该回滞模型进行参数辨识。具体工作如下:（1）提出一种基于差分进化和混合蛙跳局部搜索的飞蛾扑火优化算法。为了丰富种群的多样性,增强其逃离局部最优的能力,提出了一种基于差分进化和混合蛙跳局部搜索的飞蛾扑火优化算法（Moth-flame optimization algorithm based on differential evolution and shuffled frog leaping algorithm,DEFMFO）。该算法首先利用差分进化的变异、交叉和选择机制,增强MFO算法的随机性,使飞蛾更有可能遍历整个可行域,丰富飞蛾种群多样性;其次,利用混合蛙跳局部搜索策略获得最优解,增强算法逃离局部最优区域的能力。（2）提出一种基于差分进化和子种群更新策略的飞蛾扑火优化算法。针对MFO算法早熟收敛的问题,提出了一种基于差分进化和子种群更新策略的飞蛾扑火优化算法（Moth-flame optimization algorithm based on differential evolution and sub-population update strategy,DESMFO）。开始阶段依然通过差分进化对飞蛾种群进行更新,丰富种群的多样性。然后,对飞蛾种群执行子种群更新策略,子种群更新策略分为群间更新方式和群内更新方式。群间更新方式融合子种群间的飞蛾以实现个体间的信息交流,加强算法的探索能力;群内更新方式采用混合蛙跳局部搜索策略以增强算法的开发能力。最后,设计一种基于迭代次数的选择机制对两种方式进行选择,以此平衡DESMFO算法的探索和开发能力。（3）提出一种混合多种机制的飞蛾扑火优化算法。为了进一步提高MFO算法的性能,提出一种混合多种机制的飞蛾扑火优化算法。该算法包含了三种机制,分别为基于反向学习策略和差分进化的种群生成机制、改进的混合蛙跳局部搜索机制和死亡机制（Moth-flame optimization algorithm based on Opposition-based learning,differential evolution and improved shuffled frog leaping algorithm local search mechanism and death mechanism,ODSFMFO）。ODSFMFO算法首先通过种群生成机制获取高质量的飞蛾种群,以此提高算法的全局搜索能力。然后提出一种改进的混合蛙跳局部搜索机制作为局部搜索策略,以此提高算法的开发能力。最后使用死亡机制消除适应度总值较低的个体,避免算法在次优区域多次寻优,增强算法跳出局部最优的能力和提高算法的收敛速度。为了验证所提算法的有效性,选取CEC 2013和CEC 2017基准函数集进行测试,仿真结果表明所提三种算法具有较好的探索开发能力。最后将其应用于压电定位平台增强型PI回滞模型的参数辨识中。实验结果表明,所提三种算法建立的回滞模型具有更低的绝对误差值。