1、進化計算是近年來在人工智能研究領域內受到人們廣泛關注的一個重要研究方向，也是智能信息處理中的一項重要內容。作為一種基于生物進化原理的優(yōu)化算法，進化計算與其他優(yōu)化算法相比，最突出的優(yōu)點表現在其強大的全局尋優(yōu)能力上。群體智能算法是一種進化類算法，是解決優(yōu)化問題特別是復雜系統(tǒng)優(yōu)化問題的有效手段。具有量子行為粒子群算法(Quantum-behavedParticleSwarmOptimization，QPSO)是一種新的、具有全局收斂性的群體智

2、能算法，并且許多實際應用證明，QPSO遠遠優(yōu)于一般的粒子群算法(ParticleSwarmOptimization，PSO)。因此，本文的研究內容對于群體智能的發(fā)展具有一定的學術意義和應用價值。 本文首先闡述了傳統(tǒng)進化算法-遺傳算法(GeneticAlgorithm，GA)、群體智能算法中的粒子群算法(PSO)和具有量子行為粒子群算法(QPSO)，針對這些算法存在的收斂性問題，在OPSO基礎上提出了兩種改進的OPSO算法-自適應

3、的具有量子行為粒子群算法(AdaptiveQuantum-behavedParticleSwarmOptimization，AQPSO)和合作的具有量子行為粒子群算法(CooperativeQuantum-behavedParticleSwarmOptimization，CQPSO)。在AQPSO中，提出了參數選擇的方法以提高QPSO算法的全局搜索能力。在CQPSO中引入了協(xié)作思想，將QPSO算法構造成一個協(xié)作框架，相對于QPSO來說這

4、種協(xié)作方法在問題維數增加的時候會得到更優(yōu)的解。仿真算例結果表明，AQPSO和CQPSO算法無論是算法的性能和算法的穩(wěn)定性都優(yōu)于QPSO和PSO算法。 另外，本文還研究了QPSO在離散問題中的應用，將離散粒子群算法(BPSO)和離散具有量子行為粒子群算法(BQPSO)應用到層疊濾波器設計中。因為存在著大量的層疊濾波器，所以層疊濾波器設計最主要的問題就是其最優(yōu)化問題?；赑SO算法和QPSO算法的層疊濾波器優(yōu)化，是將問題轉化為正布爾