首先分析粮食仓库选址的原则和影响因素等，研究建立了粮库选址模型；进而考虑带障碍约束条件，采用量子粒子群优化的空间聚类分析方法，解决了粮库选址问题；最后，以河南省粮库选址为实例进行了模型验证。实验表明，使用量子粒子群优化方法提高了粮库选址的科学性，为科学合理地进行粮库建设与布局提供了决策依据。

针对用BaumWelch算法训练隐马尔可夫模型用于序列比对算法的搜索空间有限性容易陷入局部最优点的缺陷，提出一种用量子粒子群优化算法训练隐马尔可夫模型的生物多序列比对新方法。该方法克服了BaumWelch算法在收敛性能上的缺陷，在整个可行解空间中进行搜索。从BaliBASE数据库中选取测试例子进行数值实验，实验结果表明，所提算法优于BaumWelch算法，对标准例子进行的实验证明了算法的有效性。

针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时,采用凸函数调整惯性权重,以平衡算法的全局勘探和局部开发能力。并依此来优化BP神经网络的权值、阈值参数,进而建立了瓦斯涌出量预测模型。试验结果表明,IQPSO-BP算法具有较强的泛化能力及较高的预测精度,可有效用于煤矿瓦斯涌出量的预测。

针对障碍环境下空间最优路径分析问题，提出了一种基于量子粒子群优化的空间最优路径分析方法。该方法采用栅格法进行环境建模，利用量子粒子群优化算法参数少、收敛速度快、鲁棒性好、能够较好地收敛于全局最优点等优点，搜索一条无障碍路径。仿真实验结果验证了该方法的有效性，是在障碍环境中寻找一条空间最优路径的一种较好的方法。

RBF网权值的量子粒子群优化算法

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价, 提出一种基于量子行为特性的粒子群 优化(QPSO) 和拥挤距离排序的多目标量子粒子群优化(MOQPSO-CD) 算法. MOQPSO-CD 利用QPSO 快速接近真 实的Pareto 最优解, 同时引入高斯变异算子以增强解的多样性. 采用拥挤距离排序的方法对外部存储器中最优解进 行更新和维护, 使得从中选择的具有全局最优的领导粒子能够引导粒子群最终找到真实的Pareto 最优解. 仿真结果 表明, MOQPSO-CD 具有更好的收敛性和更均匀的分布性.

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。

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。