传统的粒子群算法训练神经网络的水质评价模型有学习速度慢，容易陷入局部最优和精确性不高的缺点。为了克服模型的缺点，提出了利用改进的自适应量子粒子群算法训练T-S模糊神经网络的新模型，新的自适应量子粒子群算法通过在算法中引入聚集度的概念，使得算法可以在迭代中自适应地调整收缩扩张系数，让算法更具动态自适应性。新的模型结合了量子粒子群算法和T-S模糊神经网络的优点，提高了模型的泛化能力。通过对东江湖流域站点2002到2013年的水文数据进行实验，结果显示，该模型比其他神经网络模型的评价结果具有更高的效率，适合被用于日常水质评价工作。

为提高量子粒子群算法的寻优能力，文中提出一种新的正态云模型自适应变异量子粒子群算法。该方法采用正态云模型优化策略，引入自身最差粒子和全局最差粒子，结合自身最优粒子和全局最优粒子自适应调整势阱中心位置与收缩-扩张系数， 每次迭代后生成的新粒子，以一定概率采用正态云模型对粒子进行变异操作。最后标准函数极值优化的实验结果表明，该算法的单步迭代时间较长但优化能力较同类算法有大幅度提高。

基于量子粒子群算法的混沌系统参数辨识.pdf 高清

量子粒子群算法与基础粒子群算法matlab程序,里面包含注释及matlab程序，可以运行。其中pdf文件为量子粒子群算法讲解

有好几个文件，分别是不同的改进方式，可以很好学习，而且能够执行

绝对可以运行的，亲自尝试，函数寻优，还能改进。非常的好

给出基于量子粒子群的支持向量机的matlab代码，可以用傅里叶变化、小波变化等多种数据，留一法检测分类正确率

量子粒子群优化(QPSO)算法是在经典的粒子群优化(PSO)算法的基础上所提出的一种具有量子行为的粒 子群优化算法，具有高效的全局搜索能力。通过求解J．D．Schafer提出的多峰函数优化问题的实验分析表明，方法具有良 好的收敛性和稳定性。

量子粒子群算法的matlab实现，有程序说明