模糊Petri网是基于模糊产生式规则知识库系统的良好建模工具,但自学习能力差是模糊系统的一个缺陷。模糊产生式规则中的一些参数,例如权值﹑阀值﹑确信度的确定在很大程度上依赖于人的经验,难以精确获得,这阻碍了模糊Petri网的知识推理和泛化能力。如何把神经网络的学习功能结合进模糊Petri网,使得模糊Petri网经过一批样本的学习和训练后,一方面具有一定泛化功能,另一方面摆脱构建FPN模型时产生式规则的参数对经验的依赖,使参数更符合实际系统情况,这就是本文要重点讨论的FPN学习能力的问题。另外,如何根据一具体实例约简模糊Petri网,使其更符合实际应用的需要,也是本文要探讨的另一问题。该文在探讨模糊Petri网构建过程中的约简步骤,并深入分析FPN推理机制的基础上,将人工智能领域的四种优化算法——遗传(GA)﹑BP﹑蚁群(ACA)﹑克隆选择(CSA)引入至FPN参数寻优过程中来,针对一知识库系统的具体问题,对比分析了各优化算法的特点和性能优劣。仿真实验表明,运用其中的ACA算法训练出的参数正确率较高,整体性能最佳,且所得的模糊Petri网具有较强的泛化能力和自适应功能。