进化计算是一种人工智能技术，通过模拟自然界中生物的进化过程进行优化问题的求解，基本迭代过程如下：首先随机生成问题的解，然后通过迭代更新探索待优化问题的最优解，整个迭代过程中解的优劣程度由适应度值的高低进行评价。比较有代表性的进化算法有遗传算法、进化策略、进化规划、遗传规划以及近几年发展起来的粒子群优化算法（Particle Swarm Optimization， PSO）和量子行为粒子群优化算法（Quantum-behaved Particle Swarm Optimization，QPSO）。PSO算法的研究起源于鸟群的觅食行为，它认为鸟类寻找食物的过程与优化问题的求解过程非常类似，因此可以将待优化问题的每个解都看作是一只“鸟”在搜索空间中飞行。PSO算法参数设置简单、运算速度快，局部搜索能力强，但是一般的PSO算法不能保证以概率1搜索到全局最优解。将PSO算法扩展至量子空间，给出粒子具有量子行为的粒子群优化算法，即QPSO算法，相对于PSO算法来说，QPSO算法不需要粒子的速度信息，控制参数更少，全局搜索能力强。本文从PSO算法和QPSO算法的基本原理和模型分析入手，提出几种改进算法，然后将算法应用于模糊神经网络、贝叶斯网络学习和蛋白质折叠。具体内容如下：(1)简单介绍了进化算法中的常用算法、模糊神经网络、贝叶斯网络学习和蛋白质折叠的基本知识，对已经取得的成果和下一步的研究方向进行了简单总结，然后引出本文的研究重点和内容。详细描述了PSO算法和QPSO算法的基本原理和模型，并给出算法的行为分析及收敛性分析，最后简单介绍了几种改进算法。(2)针对大部分现有QPSO及其改进算法迭代过程中解的维度是固定不变的现象，提出可变维度的QPSO算法，用于解决实际应用中的动态优化问题。在算法进化过程中，解的维度不是固定不变的，与粒子的位置一起作为优化目标迭代进化。种群中的粒子在寻优过程中既能够找到适合优化问题的最优维度，又能够找到该最优维度下的最优位置即全局最优解。将提出的可变维度QPSO算法用于模糊神经网络中模糊规则数的确定以测试算法性能，在模糊神经网络优化过程中，模糊规则数的确定也就是算法优化过程中最优维度的确定是一个NP难问题，现有很多算法基本上都采用专家经验值确定模糊规则数，本文提出的算法能够有效解决依赖专家个人经验导致主观性太强的问题。(3)为解决QPSO算法在求解复杂的高维多峰优化问题时的早熟收敛问题，将综合学习策略与合作思想融合引入该算法。综合学习策略能够有效增加种群多样性，提升全局搜索能力，而合作思想使算法对每一次迭代粒子每一维的变化都得到反馈，避免进化过程中丢失粒子解的优势部分，并引导算法迅速进入局部搜索。在提出的算法中，首先使用综合学习策略更新局部吸引子的位置，然后使用合作思想对粒子的解向量进行分解，采用一种和遗传算法非常类似的交叉操作，对解向量每一维的更新都进行评价。标准测试函数和模糊神经网络应用实验结果验证了该算法能够有效提高QPSO算法性能。(4)贝叶斯网是一种系统描述随机变量之间关系的语言，构造贝叶斯网络结构的方法有两种：第一种是通过咨询专家的经验知识进行手工构造，第二种方法是通过机器学习方法对数据集进行分析获得，前一种方法主观性比较强，因此本文重点研究后一种方法。将构造贝叶斯网络的过程也就是贝叶斯网络的结构学习归结成一个优化问题，采用离散的QPSO算法进行优化。为避免算法的早熟收敛，仍然将合作思想和综合学习策略引入离散QPSO算法，用于贝叶斯网络的结构学习，算法采用邻接矩阵或向量表示贝叶斯网络，进化过程中采用变量之间的互信息消除不合理的结构，并使用贝叶斯信息准则（Bayesian Information Criterion，BIC）评分对构造的网络结构进行打分，最终获得最优结构。最后，用两个经典测试网络结构对改进算法进行了测试，测试结果验证了算法的有效性。(5)蛋白质折叠问题是由氨基酸序列预测蛋白质结构的问题，本文采用格点模型来表示蛋白质，选择自由能全局最小能量函数作为适应度函数，将基于统计学习和概率分布模型的分布估计算法与离散QPSO算法相结合用于蛋白质折叠研究。分布估计算法全局搜索能力强，而在算法迭代后期，离散QPSO算法的局部搜索能力优越，将两者结合，取各自优点，使算法的进化既能快速定位于最优解的大致范围，又能迅速收敛至最优位置。最后使用蛋白质序列对改进算法的性能进行了测试。