电磁式地震模拟振动台是拾振器校准及模型结构抗震的重要实验设备,振动台波形复现精度对拾振器校准及模型结构抗震实验结果有很大的影响。近年来,迭代学习控制和模糊控制技术在这个领域得到了广泛的应用,仍存在一些问题亟待解决。本文以小型电磁式地震模拟振动台控制器参数优化算法为研究对象,通过改进智能优化算法提高算法收敛精度、收敛速度及逃离局部最优解能力,实现对控制系统参数的整定,提高电磁式地震模拟振动台对地震波形复现的精度。（1）针对传统振动台控制系统参数整定效果受人为因素影响的不足,采用了粒子群优化算法,实现自动寻优整定控制器参数。但是该算法在收敛速度、收敛精度和逃离局部最优解三方面存在不足,本文提出了基于粒子群和引力搜索算法的混合优化算法,提高了收敛精度。简化粒子群迭代式中的速度迭代公式,将迭代式变为一阶方程,减小计算量,提高收敛速度,择优选取在0-1区间分布均匀的Zaslavskii混沌映射和收缩因子,增加算法的种群多样性,帮助算法更快的逃离局部最优解。选择具有多局部极值点、搜索空间广、多峰值和难于收敛等特点的八种不同测试功能的测试函数验证算法的有效性。结果表明,简化速度项表达式后,粒子群迭代过程耗时明显少于标准粒子群。粒子群算法中加入混沌映射后,下降速度较快,且在局部最优解处停留时间较短。而Zaslavskii混沌映射比Logicstic混沌映射收敛效果更好。与八种常用智能优化算法对比后,本文采用的混合算法,在多次测量中的最好结果、最差结果、平均结果和运行时间四个方面均有好的表现。（2）为提高地震模拟振动台波形复现精度,构建了电磁式地震模拟振动台的开环模型、速度反馈模型、位移反馈模型。根据振动台实测频响数据,采用均方误差作为优化辨识模型数据过程中的目标函数,提高了辨识精度并减小算法难度。结果表明,混合智能优化算法用于模型参数辨识,具有辨识精度高,速度快,应用简单等优点。（3）针对传统迭代学习算法在振动台控制中存在收敛速度慢、迭代次数多的问题,在迭代前加入前馈控制器,拓宽系统频带。在迭代学习律中引入学习因子,提高迭代学习律的收敛精度和稳定性。在反馈控制律中引入之前误差的导数及当前误差信号作为修正项,加快收敛速度并解决当前误差信号求导带来的非因果问题。为减少迭代次数,快速提高振动台波形复现精度,采用混合优化算法离线计算迭代学习律参数,减少实际控制时振动台重复迭代的次数。与传统迭代学习算法对比结果表明,两算法在三次迭代后,带遗忘因子的反馈辅助PD型迭代学习算法在迭代次数和收敛精度等方面均优于传统迭代学习算法。（4）为提高振动台实时输出波形复现精度,构造电磁式地震模拟振动台模糊控制器的控制规则,结合三角型隶属度函数灵敏度高和高斯型隶属度函数稳定性好的特点,构造了两者结合的隶属度函数。模糊控制器中参数整定受人为因素影响较大,因此,采用智能优化算法优化模糊PID控制器的参数。结果表明,智能优化算法优化后的模糊PID控制器在正弦波信号和地震波信号作用下,波形的跟踪效果和失真度均有一定的提升。