针对黏菌算法(SMA)在解决风电场布局优化(WFLO)问题时存在的寻优能力差、求解精度不足及SMA收敛速度慢、容易陷入局部极值等缺陷，提出了一种基于自适应收缩和遗传学习策略的改进型黏菌算法(A-GLSMA)。首先，根据实际环境建立了风电场布局模型。然后，针对SMA易陷入局部极值等问题，提出了基于遗传学习策略的改进黏菌算法(GLSMA)，以提升SMA的收敛速度和全局搜索能力。最后，针对风电场布局优化问题，采用最大值规则编码解向量，并设计了一种自适应收缩策略，利用风机的发电量来更新黏菌的位置，从而提高求解精度。仿真实验表明：在19个测试函数上，GLSMA相比于SMA、灰狼优化算法(GWO)、樽海鞘群优化算法(SSA)、鲸鱼优化算法(WOA)和遗传学习粒子群优化算法(GLPSO)等五种算法，具有更快的收敛速度和更高的寻优精度，并且A-GLSMA相比于遗传算法(GA)，在求解两种风向分布下的WFLO问题时具有一定的性能优势。