群体智能算法是一种进化类算法,是解决优化问题特别是复杂系统优化问题的有效手段。而QPSO是一种新的、具有全局收敛性群体智能算法,并且许多实际应用证明,QPSO远远优于一般的粒子群算法(Particle Swarm Optimization-简称PSO)。因此,本文的研究内容对于群体智能的发展具有一定的学术意义和应用价值。本文首先阐述了一种传统进化算法-遗传算法,群体智能算法中的粒子群算法(PSO)和具有量子行为粒子群算法(QPSO),针对这些算法存在着早熟现象,在QPSO基础上提出了两种改进的QPSO算法-具有多群体的量子粒子群算法(Multi-Phased Quantum-behaved Particle Swarm Optimization-简称MQPSO)和维持粒子多样性的量子粒子群算法(Diversity-Maintained Quantum-behaved Particle Swarm Optimization-简称DMQPSO)。在MQPSO中,引入了多阶段和多种群机制,通过多个粒子群体以不同的搜索阶段,即收敛和扩张两个阶段使得算法能够持续地搜索解空间从而提高了算法的全局收敛能力有效地避免了早熟的发生。在DMQPSO中,引入了一种基于欧几里德距离的多样性测度方法以评价QPSO中粒子群的多样性。同时对粒子群的多样性设置阈值,当多样性低于该阈值时,采用一种变异操作以提高群体的多样性。这样通过保持粒子群的多样性使算法能在一定的多样性水平下有持续的全局搜索能力,从而也能够有效地避免早熟。本文还研究了粒子群算法(PSO)和具有量子行为粒子群算法(QPSO)在系统辨识中的应用。系统辨识是控制理论设计的基础。基于PSO算法和QPSO算法的系统辨识方法,是将辨识问题转化为参数空间上的优化问题,利用PSO或QPSO算法对整个参数空间进行高效并行搜索以获得系统参数的最优估计。通过对几个常用的标准测试函数的测试表明,MQPSO和DMQPSO算法无论是算法的性能和算法的稳定性都优于QPSO和PSO算法,因此可以得出结论:MQPSO和DMQPSO算法所引入的改进方法能有效地提高QPSO算法的全局收敛能力,是解决算法早熟问题的有效途径。同时,对几个常用的系统辨识问题的仿真结果表明,在相同迭代次数和粒子群规模的前提下,QPSO算法能够找到比PSO算法更优的参数,因此,QPSO算法将是解决系统辨识和最优控制问题的有效方法。