粒子群算法是一种群体智能优化算法,由于其设置参数较少,且易于实现,已被广泛的应用于函数优化、神经网络训练和模糊系统控制等领域当中。但是传统的粒子群算法却有着收敛性弱,易陷入局部最优值的缺点。基于量子力学的原理,一种名为量子粒子群算法的提出就有效的解决了粒子群算法全局收敛性能不足的问题。本文在量子粒子群算法的基础上,提出了一种自适应量子粒子群算法,并且将新算法作为T-S模糊神经网络的训练算法,提出了一种新的模糊神经网络模型,并应用于水质评价当中。最后,在MapReduce的并行计算模型的基础上,提出了一种面向大数据的并行式自适应量子粒子群算法。本文的主要研究工作主要如下:(1)针对标准量子粒子群算法中的收缩扩张系数β在迭代运算中不能适应复杂的非线性搜索过程中的问题,以及在计算个体平均最优位置时没有考虑到优秀粒子在优化过程中所起的重要导向作用,提出了一种自适应量子粒子群算法,该算法通过加入了聚集度和中心权重的概念,改善了算法的收敛性能。(2)传统的T-S模糊神经网络是以遗传算法和BP算法作为学习算法的,但是遗传算法的参数设置过多,且BP算法的收敛速度慢,且容易陷入局部最优值当中。针对这些不足,本文提出一种将自适应的量子粒子群算法作为T-S模糊神经网络学习算法的模型,以改善神经网络模型的学习能力。(3)在大数据背景下,针对传统串行智能优化算法无法处理高维度复杂数据的不足,提出一种基于MapReduce并行计算模型的自适应量量子粒子群算法。并在通过高维度数据下基准函数的测试后,验证了该算法的可行性。