量子粒子群优化算法是一类基于量子模型的群体智能算法。因为易于理解和实现的优点,量子粒子群算法自提出以来就被广泛的应用于解决各种优化问题。本论文对不同优化背景下的量子粒子群算法进行了系统的研究。根据不同的优化问题特点,本论文分别提出了针对性的算法。量子粒子群算法设计的核心就在于对于每一个粒子获取合适的吸引子来指导其进化。在基本的量子粒子群算法中,通过对粒子的个体和全局最优位置进行随机加权求和得到该粒子的吸引子。但是理论和实践证明这种随机加权求和方式在有些情况下并不是获得粒子吸引子的有效方式。本文针对这一问题,提出了一种通过协作学习策略来获取粒子吸引子的量子粒子群算法。很多现实生活中的问题都属于多目标优化或者动态优化问题。在多目标优化问题中,算法很难得到一个可以同时优化所有目标的最优个体。所以,如何对每个粒子选择合适的个体和全局最优位置是设计有效的多目标量子粒子群算法的关键和瓶颈之一。对于动态优化问题,如何达到收敛速度与多样性之间的平衡是将量子粒子群算法应用于动态优化问题时面临的难点。针对上述问题,本论文将文化进化机制引入到量子粒子群算法中,通过利用从种群中提取的知识来指导种群的进化过程。并且,通过理论和实验证明了基于文化进化机制的量子粒子群算法在处理多目标和动态目标优化问题时的有效性。本论文主要工作概括如下:1.标准量子粒子群算法通过对粒子的两个最优位置进行随机加权求和来获取吸引子。针对该吸引子获取方式易丢失有用信息和在算法后期不容易指导粒子跳出局部最优的问题,提出了一种基于协作学习的量子粒子群算法,并将其应用于解决复杂的单目标函数优化问题。协作学习策略由正交算子和比较算子构成,通过两个算子的协作来帮助算法针对每个粒子构造有效的吸引子。为了达到协作学习中“开发”和“利用”之间的平衡,算法通过概率参数来控制协作学习中两个算子的实现。在CEC2014复杂函数测试集上的实验结果证明协作学习可以有效的提高算法的性能。2.针对量子粒子群算法在多目标优化背景下选择粒子的个体和全局最优位置比较困难的问题,提出了基于文化进化机制的多目标量子粒子群算法算法。所提出的算法框架由种群空间和信念空间构成。种群空间中的粒子通过利用信念空间中存储的知识来不断的进化。在所提算法中,通过一种基于形势知识的局部搜索策略来获取粒子的个体最优位置。此外,为了避免获得的Pareto最优集只集中在几个离散区域,还设计了一种基于组合的更新算子。该算子通过利用信念空间中存储的历史知识对获得的Pareto最优解集进行更新,从而帮助算法最终获得均匀分布的Pareto前沿面。实验结果证明了所提策略的可行性和高效性。3.针对电力系统中的经济/环境调度问题,提出了一种基于文化进化机制和多观测策略的量子粒子群调度算法。在该调度算法中,每个粒子在一次迭代中需要进行多次观测,并且多次观测中所需的个体和全局最优位置通过利用信念空间中的形势和空间知识来产生。除此之外,本文中提出了一种基于历史知识的自适应变异算子来提高算法跳出局部最优的能力。实验结果表明,所提算法可以有效的对经济/环境调度问题进行优化。4.在动态单目标优化中,如何在环境改变之后快速的寻找到新的全局最优解是一个很有挑战性的课题。针对这一问题,本文提出了一种基于记忆策略的动态单目标量子粒子群算法。所提算法中采用了多个子种群同时进化。并且算法中采用了三种记忆文件:全局记忆文件、个体记忆文件和临时极值记忆文件。全局和个体记忆文件分别用来获取粒子的全局和个体最优位置。在所提出的算法中通过一种基于临时极值记忆文件的重新初始化策略帮助子种群完成重新初始化操作,以便于种群在环境变化后快速的定位到新的全局最优解。另外,提出了一种基于相似度的更新算子来避免多个子种群集中于一个局部极值点附近。实验结果证明了算法在优化动态单目标问题时的有效性。5.在动态多目标优化中,针对如何平衡算法中收敛速度和种群多样性的问题,提出了一种基于文化进化机制的多目标动态量子粒子群算法。为了保持种群多样性,算法中采用了一种多种群策略。在该多种群策略中,一个子种群同时优化所有目标,该子种群中粒子的全局最优位置通过利用信念空间中记录的空间知识来获得。其他的子种群分别对每个目标进行单独优化。除此之外,在环境未发生变化时,提出了一种预测机制来指导种群在当前环境下快速搜索到Pareto最优解集。在环境发生变化后,提出了一种重新初始化策略,通过对子种群进行重新初始化使算法能在新的环境下快速搜索到Pareto最优解集。实验结果证明了所提算法在动态多目标优化问题上的有效性。