群集智能(Swarm Intelligence)是为了模仿自然、社会等复杂系统中表现出的群集智能行为而产生的一种新兴的演化计算技术,它为解决复杂、约束、非线性和多极小等全局优化问题提供了新的方法和思路。粒子群优化算法(Particle Swarm Optimization)是群集智能领域一个很重要的分支,通过种群间个体协作与竞争来实现对问题最优解的搜索。PSO算法概念简单、实现容易、参数较少、收敛速度较快,已在图象处理、模式识别、运筹学等众多领域得到广泛的应用。然而,PSO算法不是一种全局收敛算法,不能保证粒子搜索到最优解。针对这一缺陷,遵循PSO算法的思想,引入量子概念,用一个Delta势阱模型以模拟粒子的学习倾向性,并设计了一种基于全局水平的参数控制方法,从而提出了一个全局收敛算法——量子行为粒子群优化算法(Quantum-behaved Particle Swarm Optimization, QPSO),通过测试函数结果表明,其性能远远好于PSO算法。本文首先阐述了课题的研究背景和意义,接着介绍了与QPSO算法相关的进化算法和群集智能,简单介绍了无免费午餐定理,并比较了QPSO算法、PSO算法、进化算法和遗传算法的异同点,显示出QPSO的优势及研究的必要性,最后对QPSO算法研究应该开展的工作进行了归纳。本文对PSO算法及其算法的改进与应用的研究现状进行了介绍。然后针对PSO算法存在的潜在危险特性,引入量子概念,提出了基于Delta势阱模型的具有量子行为的粒子群优化算法,并对其收敛性、参数控制等做了详细的描述;在此基础上,针对QDPSO算法的重要参数即创造系数L的特性,设计了一种新的基于全局水平的参数控制方法,从而提出了量子行为粒子群优化算法(QPSO)。本文针对QPSO算法搜索后期多样性损失,收敛速度较慢不能精确地接近最优解的问题,在算法搜索过程中将种群分为几个不相交的子群,并对各个子群进行分工,采用不同的策略,增强全局搜索能力,更好更精确地得到最优解;然后从多方法优化协作策略,提出了基于量子粒子群算法的多方法协作优化算法,充分利用了QPSO算法的全局搜索能力和进化规划算法的局部搜索能力。本文将QPSO算法迭代过程中所得结果简单截至为整数用于求解整数规划问题,QPSO算法取得了满意可行的结果。此外,将QPSO算法及其改进算法应用于车辆路径问题中,获得了良好的结果。最后对本论文的主要研究成果进行了总结,并对有待进一步研究的方向进行了展望。