量子粒子群优化(Quantum-behaved Particle Swarm Optimization,简称QPSO)算法是在粒子群优化(Particle Swarm Optimization,简称PSO)算法基础上提出的基于量子力学的新颖的群智能优化算法。由于量子的随机性,该算法具有全局搜索的特点,进而在优化问题上展示出了优异的性能。目前,QPSO算法吸引了海内外学者广泛的关注和深入的研究,已被广泛应用于金融、聚类和分类、神经网络、数据挖掘等多个应用领域。然而在QPSO算法中种群的多样性与算法的迭代次数呈反比,随着迭代次数的增加,粒子群的多样性降低,此时算法的全局搜索能力趋于弱化,最终导致算法在进化后期可能会出现陷入局部最优的现象。为了改进QPSO算法容易陷入局部最优的缺陷,本文结合协同演化的思想提出了多子种群机制、子种群评分函数机制和协同机制改善算法性能,提出了一种基于多子种群的协同量子粒子群算法(A Cooperative Quantum Particle Swarm Optimization Based On Multiple Groups,简称CGQPSO)。在CGQPSO算法中,为了充分利用群体智慧,引入将多个粒子组成的种群作为进化基本单元的多子种群机制;为了评估种群的搜索能力,引入评分函数分别量化子种群的局部和全局搜索能力;为了降低算法对优化问题的依赖性和平衡算法的全局和局部搜索能力,引入基于种间竞争关系的协同机制促使算法动态自适应地调整搜索策略。最后,从算法性能、算法收敛速度、算法稳定性和算法时间复杂度四个方面进行实验分析,结果表明本文提出的算法具有极强的优化性能,较高的稳定性,优化结果不易陷入局部最优的特点。为了进一步将多子种群机制、子种群评分函数机制和协同机制推广到离散的组合优化问题,本文首先对QPSO算法中的吸引点和迭代更新公式进行离散化处理,提出了离散二进制量子粒子群优化算法(Discrete Binary Quantum Particle Swarm Optimization,简称DQPSO);然后结合背包问题解空间离散的特点,构造了基于汉明距离的子种群评分函数;最后提出基于协同的离散量子粒子群算法(A Collaborative Discrete Quantum Particle Swarm Optimization,简称CDQPSO),应用于0-1背包和多维背包问题。在0-1背包问题和多维背包问题测试集上进行对比实验,结果表明本文提出的CDQPSO算法在解决背包问题等离散问题时具有求解精度高的特点。