前者的贡献在于将量子多宇宙的概念引入遗传算法，利用多个宇宙的并行搜索，增大搜索范围，利用宇宙之间的联合交叉，实现信息的交流，从而整体上提高了算法的搜索效率。但算法中的多宇宙是通过分别产生多个种群获得的，并没有利用量子态，因而仍属于常规遗传算法。后者将量子的态矢量表达引入遗传编码，利用量子旋转门实现染色体的演化，实现了比常规遗传算法更好的效果。但该算法主要用来解决0-1背包问题。编码方案和量子旋转门的演化策略不具有通用性，尤其是由于所有个体都朝一个目标演化，如果没有交叉操作，极有可能陷入局部最优。

为了提高风电场短期风速预测的精度，提出了一种基于自适应噪声的完整集成经验模态分解(CEEMDAN)-排列熵(PE)和量子遗传算法(QGA)优化BP神经网络的短期风速预测模型。首先采用CEEMDAN对原始风速时间序列进行分解，降低不同特征尺度序列间的相互影响；其次，为了减少计算规模，对分解得到的各个分量序列分别计算排列熵，将熵值相近的分量进行叠加形成新的序列；最后，针对BP神经网络在初始化权值和阈值的选取上存在随机性的问题，采用QGA对BP参数进行优化，分别对每个新的序列进行预测并将预测结果进行叠加得到最终的预测值。实例仿真结果表明，该组合模型提高了预测的精度，减小了误差，具有实际意义和工程应用价值。

本程序是用于实现01背包问题的QGA算法，用matlab实现。