量子遗传算法是一种将量子计算理论与遗传算法相结合的概率搜索优化方法。与传统的遗传算法比较，该算法具有更好的种群多样性和计算并行性，因而具有更快的收敛速度、更高的搜索效率和更强的全局寻优能力。作为一种新的演化计算方法，量子遗传算法已开始被用于一些复杂优化问题的求解，并取得了良好的效果。本文研究量子遗传算法及其在组合优化问题中的应用。　　 论文首先阐述了量子遗传算法的基本原理和实现方法。介绍了量子遗传算法的一些基本概念，如量子计算、量子位编码和量子门操作等。给出了一般量子遗传算法实现的详细步骤和程序流程。之后，采用几个典型的复杂函数对量子遗传算法的优化性能进行了测试分析，结果表明，量子遗传算法在寻优能力和收敛速度上优于传统的遗传算法。　　 论文研究了量子遗传算法的几种改进方法，用数值实验对这些改进的量子遗传算法的性能进行了测试，得到如下结论：与一般量子遗传算法比较，在量子遗传算法中引入交叉操作，可以增加种群的多样性，提高算法的全局搜索能力；引入变异操作，可以改善算法的局部搜索能力；采用Hs门代替量子旋转门，则可有效地避免早熟收敛，使算法更适合于解决有多个局部最优解的问题；虽然小生境淘汰策略在与传统遗传算法相结合时可以增加种群的多样性，然而实验证明它并不适合于量子遗传算法。　　 论文着重研究了量子遗传算法在两类组合优化问题中的应用。提出了一种带修复函数的量子遗传算法用于求解背包问题。该方法除采用量子位编码染色体和量子旋转门个体更新策略外，对于运行过程中产生的非法解，采用一种修复函数使其成为可行解，从而有效地提高了算法获得最优解的概率。几个典型的背包问题求解实例表明：这种改进的量子遗传算法在求解背包问题时，比传统遗传算法具有更好的种群多样性和更强的全局寻优能力。针对一种典型的NP-hard组合优化问题--Job Shop调度问题，提出了一种采用基于操作的方式进行编码和解码的量子遗传算法。该方法对典型车间调度算例FT06的求解结果表明：量子遗传算法的综合优化性能优于改进的遗传算法。