虽然目前多目标优化在工程、工业和科学领域获得广泛应用。但是由于问题本身的复杂性，多目标优化的相关技术目前仍不够完善和成熟，还存在许多值得研究的问题，如：收敛速度、局部最优、参数控制、多目标之间如何进行折衷等。如何快速、有效地实现多目标优化成为工程应用中的研究热点问题。常用的多目标优化方法自身的不足及其在实际应用中存在的诸多困难，一直阻碍着多目标优化方法的向前发展。研究结果表明蚁群算法在大部分多目标优化问题上比传统进化算法具有更好性能。本文首先介绍蚁群算法的概念、背景、模型以及未来发展趋势，然后介绍了目前常用多目标优化方法，并对现有的蚁群多目标优化的模型和方法进行详细分析。研究表明蚁群算法解决一些复杂多维问题的能力不强，容易陷入局部最优，造成算法早熟。为有效克服以上缺点，更好解决实际中的优化问题，本文将量子计算理论引入蚁群算法，提出一种基于量子衍生方法的多目标蚁群算法。该算法先采用量子遗传算法生成信息素分布，然后利用蚁群算法正反馈求精确解,力求优势互补。算法将量子比特的两个概率幅看作是蚂蚁当前的位置信息，在蚂蚁数目相同时，使搜索空间加倍。能较好的解决蚁群算法在求解问题时收敛速度慢和易于陷入局部最优的问题。多目标0-1背包问题是个复杂的NP难问题，它能够很好的检验多目标进化算法的优劣。最后将本文算法用于多维0-1背包问题的求解，并与MOA及经典算法NSGA2的试验结果进行对比分析，结果表明：本文算法不仅能更快更精确地逼近Pareto最优前端，同时能够维持Pareto最优解分布的均匀性。本文算法是将量子计算与蚁群算法相结合的一种崭新的优化方法。由于量子算法中融入了量子力学的许多基本特性，极大地提高了计算效率与搜索效率且能弥补蚁群算法的不足，具有广泛的研究前景。