最优化问题是现代数学的一个重要分支,涉及到许多不同的学科,其主要的目的是在满足一定约束条件的情况下,找到一组数值以使得系统的某些最优性度量得到满足。解决最优化问题的方法被称为优化方法。随着人类社会进步和科学技术的迅猛发展,越来越多具有复杂性、非线性、系统性的问题使用传统优化方法很难解决甚至无法求解。群体智能通过研究社会性动物(如蚁群、蜂群、鸟群等)的自组织行为摆脱了经典逻辑计算的束缚,为传统方法无法解决的问题特别是系统复杂性问题(如NP问题等)和实际应用中出现的新问题的求解方案提供了快速、可靠的新途径。粒子群优化算法(Particle Swarm Optimization,简称PSO)是James Kennedy和Russell Eberhart于1995年提出的一种群体智能方法。孙俊等人针对PSO算法存在的收敛瓶颈问题,将人类学习过程与量子空间中粒子的行为模式进行对比,利用群体智慧的聚集性,在PSO算法的基础上提出了具有量子行为的粒子群优化(Quantum-behaved Particle Swarm Optimization,简称QPSO)算法。由于PSO和QPSO算法具有分布式、自组织性、协作性、鲁棒性和实现简单等特点,使其既适合科学研究,又适合工程应用,受到相关研究领域学者越来越多的关注,逐渐成为一个新的、重要的研究方向。虽然PSO和QPSO算法在优化性能及应用等方面出现了丰硕的研究成果,但是作为一种正在兴起的智能计算方法,其本身还有许多问题待于进一步研究和完善：首先,PSO和QPSO存在早期收敛的现象。群体多样性的丧失是导致算法陷入早期收敛的主要原因,可以通过分析PSO和QPSO算法的更新机制、群体拓扑结构以及群体多样性保持机制来均衡全局搜索和局部搜索,防止算法陷入早期收敛。其次,对算法的分析方法还不系统,缺乏对其运行行为、收敛性、收敛速度、参数选择、参数鲁棒性以及计算复杂性的理论分析。另外,不论是在PSO算法还是在QPSO算法中,粒子对已有信息都采用独立随机的加工方式,这种信息加工机制只是随机地去适应历史,没有对不同信息加以区分,如何更加合理地利用已有信息来提高算法的优化性能也是有待解决的问题之一。最后,QPSO算法势阱模型选择单一。现有的QPSO算法几乎都采δ势阱模型来建立粒子在量子空间中的吸引势,而对其他类型势阱的研究很少,然而,粒子在不同的势阱模型经典禁区中出现的概率密度函数不同,对不同的求解问题会产生不同影响,因此使用不同的势阱模型建立QPSO算法并进行性能分析也是有必要的。针对PSO和QPSO算法存在的问题,本文以避免早期收敛,提高算法优化性能为总体目标,以控制种群多样性和粒子间信息交流方式为主要研究手段,对PSO算法中共享信息的筛选以及QPSO算法中势阱中心的确定、势阱类型的选择等问题展开研究,取得了如下的研究成果：提出了自适应部分信息选择粒子群优化(Adaptive Partly Informed Particle Swarm Optimization,简称API-PSO)算法。该模型打破了传统PSO中对群体共享经验的选择模式,根据其邻域粒子的不同表现,自适应的选择群体共享经验。与标准PSO算法相比,新算法通过避开劣势信息,选择优势信息的方式更加充分合理地利用了群体信息。对API-PSO算法种群多样性和收敛性进行数学分析得出的结论可以用来有效地引导API-PSO算法中参数的选择,为解决算法种群多样性匮乏,促进种群进化发展,提高算法精度和求解效率提供理论依据。(第2章)QPSO算法的寻优过程实际上就是粒子向势阱中心的移动过程。通过对QPSO算法原理的研究可知,势阱模型的选择和势阱中心pi点位置的确定对于算法的优化性能至关重要。针对以上问题,本文分别基于δ势阱、谐振子和方势阱三种势场,对势阱中心位置确定公式中的随机因子进行分析,并通过二元正态Copula函数建立了粒子对自身经验信息和群体共享信息认知的内在联系,提出了不同势阱模型下的二元相关性QPSO算法(Binary Correlation QPSO,简称BC-QPSO)。此后,理论分析了各算法的收敛条件并通过实验的方法给出了基于三种不同势阱模型的BC-QPSO算法中控制参数的取值策略。对测试函数的实验结果说明在加速系数保持固定、控制参数线性递减策略的前提下,种群多样性随着二元相关因子r1,r2相关系数ρ的增大而减小,在ρ=1时的BC-QPSO算法具有优良的局部优化性能,而ρ=-1时的BC-QPSO算法具有优良的全局优化性能。(第3章)QPSO模型中,除了自身经验信息和群体共享信息外,粒子当前位置与平均最好位置的距离对下一时刻粒子在求解空间中位置的确定也具有重要的引导作用。本文使用多元Copula函数描述了三元相关因子r1,r2,u间的相关关系,提出了三元相关性QPSO(Ternary Correlation QPSO,简称TC-QPSO)算法,并通过Cholesky平方根公式,给出了利用[0,1]区间内均匀分布的随机变量生成三元相关因子的方法。实验结果表明,相关因子间存在负相关关系时,算法在均衡利用已有信息的基础上可以增强粒子间的等待效应,以此制约种群在势阱中心的聚集速度,从而避免算法陷入局部最优,此时的TC-QPSO算法具有较好的优化性能。(第4章)。多子群交互的进化模式为提高粒子群优化算法的总体性能提供了一个有效的途径。本文提出了两种双子群交互的量子行为粒子群优化算法,分别为基于不同相关系数的双子群QPSO算法(Dual Group QPSO with Different Related Factors,简称DFR-QPSO)算法和基于不同势阱中心的双子群QPSO算法(Dual Group QPSO with Different Well Centers,简称DWC-QPSO)。新算法将整个种群在解空间中分解成规模相同且相互独立的两个子群,其中DRF-QPSO算法的两个子群分别采用不同的信息加工方式进行迭代,而DWC-QPSO算法通过在求解空中为两个子群设置不同的势阱中心来不断进化。仿真结果表明,两种新算法通过主、辅子群的相互协同合作,使得粒子间的学习更加充分,增强了算法的全局搜索能力,防止种群过早陷入局部优化,从而改善了标准QPSO的收敛性能。(第5章)将交互式DWC-QPSO模型与非线性反馈理论相结合,设计了入口匝道PI控制器,提出了基于DWC-QPSO模型的入口匝道交通流自适应控制算法,并通过仿真验证了该算法的有效性；接着,以13-Unit系统和40-Unit系统为例研究了DRF-QPSO算法在电力系统经济调度问题中的应用,仿真结果说明DRF-QPSO算法在求解此类问题时优于其他智能算法。(第6章)