针对求解复杂网络的多目标社区发现问题，提出了一种离散化随机漂移粒子群优化（DRDPSO）算法。首先，通过对社区进行随机化编码操作和针对随机漂移算法的离散化操作，来改善局部网络结构并逐渐增强全局模块度值；其次，根据核K均值（KKM）和比例割（RC）两个目标函数来控制网络中的社区规模、缓解模块度分辨率限制；最后，根据多目标求解策略逐步更新Pareto非劣解集，从Pareto非劣解集选取满足需求的目标社区结构。为了验证所提算法的有效性，将DRDPSO算法与其他社区发现算法在三种具有10个不同参数设置的生成网络及三种真实网络上进行对比实验，并采用两个最佳社区评价指标对各算法获得的社区发现结果进行对比分析。实验结果表明，使用DRDPSO算法求解复杂网络的多目标社区发现问题时，获得的社区发现评价指标（归一化互信息和模块度）最高的概率达到95%以上。可见DRDPSO算法在真实网络进行应用能进一步地提高网络社区划分的精确度和鲁棒性。

针对工程形状设计领域中带有多个约束条件的非线性设计优化问题，提出了一种自适应的基于高斯分布的量子行为粒子群优化（AG-QPSO）算法。通过自适应地调整高斯分布，AG-QPSO算法能够在搜索的初始阶段有很强的全局搜索能力，随着搜索过程的进行，算法的局部搜索能力逐渐增强，从而满足了算法在搜索过程不同阶段的需要。为了验证算法的有效性，在压力容器和张弦设计问题这两个工程约束优化问题上进行50轮独立实验。实验结果表明，在满足所有约束条件的情况下，AG-QPSO算法在压力容器设计问题上取得了5 890.931 5的平均解和5 885.332 8的最优解，在张弦设计问题上取得了0.010 96的平均解和0.010 96的最优解，远优于标准粒子群优化(PSO)算法、具有量子行为的粒子群优化(QPSO)算法和高斯量子行为粒子群(G-QPSO)算法等现有的算法的结果，同时AG-QPSO算法取得的结果的方差较小，说明该算法具有很好的鲁棒性。

对于信息物理融合系统状态转移实时过程会影响系统性能及其正确性的问题，针对执行器的输出事件驱动系统状态转移过程，提出一种基于信息熵与数据质量的执行器输出事件的价值评价调度策略——VE-IE&QoD。首先，以超致密时间模型表达事件的实时性，定义输出事件的自信息量、执行器的信息熵及其数据质量分别为价值评价的函数指标；然后，对执行器执行任务的过程进行价值评价，并考虑适当增加加权系数；最后，利用Ptolemy Ⅱ平台建立包含价值评价调度策略、传统最早截止时间优先（EDF）调度算法以及考虑信息熵的IE ^*调度策略的离散事件模型。分析不同算法模型的运行情况，对比价值评价的变化以及执行时间，实验结果表明，价值评价调度策略可降低系统平均执行时间，提高内存使用效率与任务价值评价。该策略能在一定程度上提高系统性能及其正确性。

针对量子行为粒子群优化(QPSO)算法在求解多维问题时优秀维信息丢失的问题,引入交叉算子的策略,改善解的质量,提升算法性能。首先,分析了量子粒子群算法进化过程中的粒子整体更新评价策略,发现各维信息之间相互干扰,会丢失已经搜索到的优秀维信息;然后,指出如果采用逐维进化方法,会指数级增加算法的复杂度;最后,提出对进化过程中的问题解采用多点交叉的策略增加优秀维信息的保留概率,并将改进后的量子粒子群算法与线性下降参数控制策略、非线性下降参数控制策略方法通过12个CEC2005 benchmark测试函数进行了比较,并对结果进行了分析。仿真结果显示,所提算法比改进前在10个测试函数中取得了明显的改进效果,而比其他2种改进算法也在7个测试函数中取得了优势。因此该算法能够有效提升量子粒子群优化算法的性能。

针对当前基于《知网》的词汇语义相似度计算方法没有充分考虑知识库描述语言对概念描述的线性特征的情况，提出一种改进的词汇语义相似度计算方法。首先，充分考虑概念描述式中各义原之间的线性关系，提出一种位置相关的权重分配策略;然后，将所提出的策略结合二部图最大权匹配进行概念相似度计算。实验结果表明，采用改进方法得到的聚类结果F值较对比方法平均提高了5%，从而验证了改进方法的合理性和有效性。

为了消除大目标图像修补过程中，修补区域由于累积误差引起的马赛克和振铃效应，提出基于双树复小波域的马尔可夫随机场(MRF)样本修补算法。首先应用双树复小波变换(DTCWT)将待修补图像变换到复频域，通过合理的置信度和数据项计算待修补块的修补顺序；然后应用MRF样本修补算法在不同尺度、不同方向下修补未知区域；最后利用双树复小波逆变换重构图像。实验结果表明，与传统离散小波修补方法相比，双树复小波域MRF样本修补算法能更好地保持修补区域纹理和结构信息。

为了提高图像增强的自适应性和通用性，提出了基于量子行为的微粒群优化算法(QPSO)的图像增强方法，将图像增强作为最优化问题来明确地表示。并且使用了一种新的目标函数评价算法的性能。QPSO没有过多参数需要调整，随机性强，能够保证算法的高效性和全局收敛性。实例仿真证实了QPSO在图像增强上的有效性和优越性。

传统图像插值方法简单,容易实现,但经过插值后的图像会增加一定的虚假内容，导致图像模糊。为提高插值图像的质量和图像的分辨率，提出一种基于量子行为粒子群优化（QPSO）算法的图像插值方法。该方法利用QPSO算法在以传统插值图像为基础形成的解空间中，寻找符合目标函数的最优高分辨率图像。实验证明，该方法实用、可行，且能得到质量较好的插值图像。

提出了适合二进制搜索空间的具有量子行为的粒子群优化算法（BQPSO）。在二进制环境中重新定义粒子的位置向量及距离向量，调整了QPSO算法的进化公式。用二进制具有量子行为的粒子群算法求解平面数字曲线的多边形近似，解决了传统BPSO算法中粒子搜索范围受限的问题。用2条通用benchmark曲线进行测试，结果表明，该算法较BPSO加快了收敛速度，在相同的容忍误差和迭代次数下找到了更少顶点的多边形。

针对小生境微粒群算法在处理复杂多峰函数优化问题中存在的一些缺陷，提出一种改进的小生境SNPSO算法。SNPSO算法将顺序小生境的思想引入其中，首先在主群体中应用Stretching技术，其次对子群体采用解散策略，即当在子群体中找到一个极值点后把子群体解散回归主群体，最后设置子群体创建时的半径阈值，避免子群体半径过大。该算法解决了标准的NichePSO算法在处理多峰函数时，极值点的个数依赖于子群体个数及极值点容易出现重复、遗漏等问题。对3个常用的基本测试函数的实验表明，新算法（SNPSO）在多峰函数寻优中解的稳定性、收敛性和覆盖率均优于标准NichePSO。

提出了一种改进的量子—粒子群算法来改善维数束缚问题。对于存在高维问题的量子—粒子群算法，引入了相互学习方法，使用多个粒子群用来优化解向量的分量，从而帮助粒子群克服维数束缚找到最优解;另外在每一次迭代过程中根据遗传算法中适应度函数对参与相互学习的粒子解的数目进行最优选取，从而有效减少了时间花费。对经典函数的测试计算表明，改进的混合算法确保了搜索精度，在时间花费上也得到了较好的改善。

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替，是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法，遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。

采用粒子群系统的并行化的量子化模型提高全局搜寻能力，在解决约束问题时采用不固定的多阶段任务补偿函数以提高收敛性，并获得更准确的结果，提出了并行化的QPSO（PQPSO）算法。此算法在几个可信赖的基准函数中被测试，并且实验结果显示PQPSO的最优值和运行时间比QPSO和传统的PSO有很大的提高，而且运行所用的时间资源接近线性减少。

针对粒子群优化(PSO)算法搜索空间有限，容易陷入局部最优点的缺陷，提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法，将RBF神经网络的参数组成一个多维向量，作为算法中的粒子进行进化，由此在可行解空间范围内搜索最优解。实例仿真表明，该学习算法相比于传统的学习算法计算简单，收敛速度快，并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。

研究了基于量子行为的微粒群优化（QPSO）算法在多阶段投资组合优化中制定投资决策的方法，目标函数是最大化个人经济效益或最大化周期结束时个人财富。通过比较用QPSO算法和遗传算法优化美国标准普尔指数100的不同股票和现金分配所得到的期望收益率均值与方差，证实了该方法的优越性。

摘要：分析了传统教务管理系统存在的安全问题，提出了基于Web的教务管理系统安全设计方案。从网络边界安全、身份鉴别与访问控制、入侵检测、数据加密、服务器安全、灾难备份与恢复等方面对系统进行全方位保护，并给出了整体设计架构。该方案能阻止非法用户的入侵，防止合法用户越权访问；同时，基于身份的加密方案确保数据在使用、存储、传输和处理过程中的机密性、可用性、完整性和不可抵赖性，克服了PKI机制公钥管理困难、成本高、效率低等不足。理论分析和实验结果表明，该方法是保证高校教务管理系统安全运行的一种有效解决方案。

基于多边形扫描转换的启发式底左（HBL）算法，将量子行为的粒子群算法（QPSO）应用于布局问题——二维不规则多边形优化排样，给出了该问题的粒子构造方法及其布局优化过程。通过与模拟退火遗传算法（SAGA）进行布局优化比较，验证了该算法求解布局优化问题的有效性。

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算法可以尽可能多地找到峰值点，峰值收敛性能优于PSO。

训练支持向量机的本质问题就是求解二次规划问题，但对大规模的训练样本来说，求解二次规划问题困难很大。遗传算法和粒子群算法等智能搜索技术可以在较少的时间开销内给出问题的近似解。量子粒子群优化（QPSO）算法是在经典的微粒群算法的基础上所提出的一种有较高收敛性和稳定性的进化算法。将操作简单而收敛快速的QPSO算法运用于训练支持向量机，优化求解二次规划问题，为解决大规模的二次规划问题开辟了一条新的途径。