量子进化算法是一类新颖的分布估计算法,通过多个量子概率模型协同进化来引导算法实施搜索。目前的分布估计算法具有好的收敛速度,但是在求解复杂优化问题时,算法的持续探索能力欠佳。本文基于量子进化算法的多概率模型结构,研究其中的信息共享机制,以及算法收敛能力和探索能力的平衡等问题,进而研究新的、更为高效的量子进化算法。这些问题是当前进化计算领域的热点问题,对它们的研究具有重要的学术价值和应用前景。论文的主要工作和创新之处如下：1)基于大规模0-1背包问题和NK Fitness Landscape Model,对量子进化算法几种主要的信息共享机制进行了实验分析,结果表明,信息共享机制对量子进化算法性能有着重要的影响；有信息共享机制的算法相比没有信息共享机制的算法,在寻找最优解能力方面具有明显优势；随机全面的信息共享机制比固定邻域结构的信息共享机制更有利于算法处理复杂的大规模优化问题。2)提出了一种基于全面学习的量子进化算法(CLQEA).该算法基于全面学习的思想,实现了以量子比特为单位的、更为充分的信息交换。实验结果表明,该算法能够在保持较好探索能力的同时,有效提高针对大规模复杂问题的优化性能。3)提出了一种基于生态地理学模型的量子进化算法(QBO)。该算法通过模拟多个“生态岛屿”之间物种的迁徙行为,以一种更为自然的方式实现量子个体间全面充分的信息交换。实验结果表明,该算法能够以一种更高效的方式快速共享有意义的信息；因此,在处理大规模、复杂优化问题时,在具有更快收敛速度的同时,能够获得更高质量的解。本文的工作有利于人们更深入地认识量子进化算法的优化机理,进而帮助人们设计出更为有效的量子进化算法。此外,本文所提出的量子进化算法可用于求解多种实际工程和科学应用中的大规模、复杂优化问题。