组合优化问题已经被证明是NP难问题,其目标是从众多组合的可行解中寻找最优解。随着求解问题规模的增大,常规的精确算法在时间复杂度和空间复杂度上代价极高导致其难于在大规模的组合优化实际问题中应用。智能优化算法是求解组合优化问题有效的近似算法,适用于求解大规模实际优化问题,能够快速获取全局近似最优解,在算法时空代价和求解质量上具有极高的性价比,成为了求解组合优化问题的主要方法。量子遗传算法作为一种典型的智能优化算法,具有种群规模小、全局搜索能力强的优点,在组合优化问题求解的诸多领域具有广泛的关注和应用。首先,针对传统的统一进化量子遗传算法中存在的收敛速度慢、容易陷入局部最优的问题,提出一种自适应进化机制提高量子遗传算法的性能。算法迭代过程中,根据种群当前的进化状态为每个个体分配适合自身进化的旋转角步长和变异概率,使每个个体都朝着当前最优的方向进化,从而加快了算法的收敛速度,且通过自适应调制变异概率提高算法跳出局部最优的能力。此外,在算法实现的过程中,采用多宇宙结构实现算法并行运算,提高了算法的执行效率。结果表明,本文所提出的自适应量子遗传算法在收敛性和全局优化能力上均具有较好的性能。其次,本文将提出的基于自适应机制的量子遗传算法应用于解决基于网络编码的组播资源优化问题,求解最小编码次数的组播路由。同时构建了网络资源优化问题到进化算法可解的优化模型和适应度函数,通过量子编码将资源映射为染色体。此外,为了进一步提高算法寻优能力,本文在自适应进化机制的基础上又引入了个体相似度评价因子、适应度评价因子和种群变异调整因子,通过多因子协同决策进一步提高算法的组播路由全局寻优能力和收敛速度。实验结果表明,改进的算法在解决资源优化网络编码组播路由问题时具有更优的性能。