介绍了一种利用量子行为粒子群算法(QPSO)求解多峰函数优化问题的方法。为此，在 QPSO中引进一种物种形成策略，该方法根据群体微粒的相似度并行地分成子群体。每个子群体是 围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索。从而保证每个峰值都有 同等机会被找到，因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算 法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明，基于物 种形成的QPSO算法可以尽

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题，提出了混沌量子粒子群优化算法。-Abstract：Using quantum-behaved particle swarmoptimization (QPSO) to handle complex functions with high-dimension has the problems of low convergence speed and sensitivity to local convergence

提出了一种基于反向学习机制的改进量子粒子群算法，采用反向学习机制增加种群的多样性，使搜索效率有了较大的提高，有效地避免了算法早熟收敛。-An improved quantum particle swarm optimization (QPSO) based on reverse learning is presented in this paper, which adopts reverse learning to increase the diversity of the popula