1、粒子群算法的局部搜索能力比較強(qiáng)，且算法中的相關(guān)參數(shù)容易控制及設(shè)置，然而，粒子群算法也有一些缺陷，例如易于陷入局部最優(yōu)，即步入早熟狀態(tài)。為了處理粒子群算法的缺陷，孫俊等人將粒子群算法與量子空間相結(jié)合，提出了基于量子行為的粒子群算法，即QPSO算法，量子粒子群算法優(yōu)點(diǎn)在于其只需要位置迭代信息，不需要速度信息，且量子粒子群算法的控制因子唯一。同時(shí)QPSO算法也有一些缺點(diǎn)，例如在處理高維復(fù)雜優(yōu)化問題時(shí)，QPSO算法的搜索能力較弱等等。所以本文從

2、PSO算法和QPSO算法的基本思想及相關(guān)模型出發(fā)，提出了幾種改進(jìn)的量子粒子群算法，本文的主要內(nèi)容及工作安排如下：
　?。?）為了更好的改進(jìn)量子粒子群算法的全局搜索能力，且讓QPSO算法能夠自身引導(dǎo)優(yōu)化，我們提出了一種基于動態(tài)變異和背景協(xié)同的量子粒子群算法，即MCQPSO算法。該算法結(jié)合動態(tài)變異和背景協(xié)同策略。其中，動態(tài)變異主要結(jié)合柯西變異和收縮因子的動態(tài)選擇，旨在提高粒子的迭代搜索能力，其次，背景協(xié)同主要結(jié)合粒子的多次協(xié)同測量，且

3、使用背景變量進(jìn)行更新迭代，其目的在于提高算法的搜索效率，且相應(yīng)的改變迭代空間中每個(gè)個(gè)體的更新模式。為了驗(yàn)證MCQPSO算法的全局搜索能力，我們將MCQPSO算法應(yīng)用到函數(shù)優(yōu)化和醫(yī)學(xué)圖像分割中。
　?。?）將MCQPSO算法應(yīng)用于簡單基準(zhǔn)函數(shù)優(yōu)化時(shí)，實(shí)驗(yàn)數(shù)據(jù)結(jié)果表明，有幾個(gè)基準(zhǔn)函數(shù)的收斂效果不盡如人意，針對這個(gè)缺點(diǎn)，我們再次提出了基于分區(qū)協(xié)同的量子粒子群算法(SCQPSO)。在種群初始化時(shí)，我們巧妙的將種群劃分為若干個(gè)分區(qū)，且每個(gè)分

4、區(qū)種群數(shù)量成倍增加，對每個(gè)種群進(jìn)行迭代搜索求出全局最優(yōu)值，再將每個(gè)分區(qū)中的全局最優(yōu)值有機(jī)的結(jié)合在一起作為迭代優(yōu)化的主種群。為了證實(shí)SCQPSO算法的相關(guān)性能，我們將SCQPSO分別應(yīng)用于基準(zhǔn)函數(shù)優(yōu)化、復(fù)雜函數(shù)優(yōu)化和醫(yī)學(xué)圖像分割中。
　　（3）當(dāng)SCQPSO算法作用于復(fù)雜函數(shù)優(yōu)化時(shí)，隨著復(fù)雜函數(shù)維度的不斷上升，SCQPSO算法的迭代搜索能力不斷降低，所以某些復(fù)雜函數(shù)沒有收斂到全局最優(yōu)點(diǎn)，其原因是，在算法迭代后期種群的多樣性急劇降低。