在多目标组合优化问题中,一般量子蚁群算法已被广泛使用,但是还存在一些不足之处。如在求解Traveling Salesman Problem(TSP)问题时收敛速度较慢,收敛所需迭代次数较多;在求解工作排序问题时算法收敛速度较慢且不能很好的完成收敛趋势,从而影响到算法的全局收敛性能。如何解决量子蚁群算法存在的这些缺陷,是相关研究人员亟待解决的科研问题。本文针对一般量子蚁群算法中存在容易陷入局部最优以及算法收敛速度较慢、收敛所需迭代次数较多等问题,提出了一种改进型量子蚁群算法。首先,在该算法中设计一种新信息素挥发因子的自适应动态更新策略,将信息素挥发因子由固定取值方式变为函数控制的动态取值方式,并且结合自适应因子对信息素进行动态更新;然后,将受旋转角幅度大小影响较大的传统量子旋转门更新为一种新的量子旋转门来控制量子概率幅值的收敛趋势,使其不再收敛到0或者1。通过TSP仿真实验结果表明,分别采用自适应动态策略方法更新的算法及新旋转门更新的算法比原算法性能更优。同时将两种改进方法对量子蚁群算法进行更新操作:通过三个基本函数极值优化仿真,结果表明融入两种改进方法的算法与一般量子蚁群算法相比性能上有了较大的提升;基于TSP的仿真实验和另外几种算法性能进行对比,结果也表明改进后的算法表现出了更快的收敛速度、更高的解的全局性,有效避免了算法陷入局部最优。本文中所涉及到的研究内容、研究方法和研究结论是对量子蚁群算法求解组合优化目标问题的拓展和探索,可以为相关人员提供一定的理论依据和参考价值。