优化问题，是指在一系列可行解中依特定评价标准选择更好的解，是优化控制研究领域重要分支之一。随着智能算法的发展和生产需求的转变，运用智能控制解决日益复杂的优化问题已成为智能算法研究热点。本文以量子行为粒子群优化（Quantum-behaved Particle Swarm Optimization,QPSO）算法为主要研究对象，首先介绍QPSO算法的基本原理及模型，归纳其性能优势并总结不足，然后在此基础上提出具有理论依据的改进算法。全文重点研究QPSO算法势阱调节方式，主要改进势阱中心更新方式及势阱长度调节方式，势阱中心在整个群体中起着导向作用，决定粒子搜索方向；势阱长度则反映了粒子搜索能力，影响着搜索步长。最后以电动汽车模糊控制器参数优化问题为例，验证算法在实际应用中的性能优势。具体研究工作概括如下：　　1.以势阱中心更新方式为研究重点，指出传统势阱中心更新方式只考虑粒子自身最优位置和全局最优位置，算法易早熟收敛。针对该问题，引入社会学习和莱维飞行优化势阱中心更新方式，增强种群多样性。经仿真测试，算法收敛精度和速度均优于QPSO算法，特别在高维多峰优化问题上，性能优势明显。　　2.改进势阱中心更新方式优化了粒子寻优方向，但势阱长度调节方式同样制约着算法性能。传统势阱长度调节方式缺乏自适应性，算法存在进一步改进空间。因此，本文另一研究重点为改进势阱长度调节方式，以关键控制参数——收缩-扩张系数（Contraction Expansion,CE）为切入点，提出粒子活性概念，以势阱长度相对变化率作为粒子活性度量标准，并以粒子活性作为反馈量，实现自适应调节CE系数，达到合理调控势阱长度的目的。经仿真测试，改进算法不仅加快了收敛速度，提高了收敛精度，而且给出了一种全新势阱长度控制策略。　　3.将改进QPSO算法应用于电动汽车模糊控制器参数优化问题中，重点改进模糊自适应控制器中量化因子和比例因子的调节方式。由仿真结果可知，改进后的控制器在速度及精度上均优于传统模糊自适应PID控制器和QPSO算法优化的模糊自适应PID控制器。