本文首先对群体智能算法做了概述,深入研究了群体智能算法的原理和特点,在此基础上提出了改进智能优化算法,引入交叉算子到量子粒子群算法来保持算法在搜索后期的多样性,使算法具有更好的优化效果,通过对标准测试函数优化,实验结果显示新算法的优化效果较原算法大幅提高,表明了算法改进的有效性。然后本文对生物信息学中的多序列比对问题进行了研究,这是一个NP完全问题。文中对序列比对概念和关键知识做了介绍,分析了基于隐马尔科夫模型的多序列比对的原理,介绍了HMM的三个基本问题和基于隐马尔科夫模型的多序列比对原理,针对HMM算法中Baum-Welch算法容易陷入局部最优解、全局搜索能力差的问题,本文结合了有较强全局搜索能力的群体智能算法QPSO和具有快速局部搜索能力的BW算法对HMM进行训练,并进一步用Viterbi算法根据训练出的模型进行多序列比对。新算法兼备了QPSO的全局搜索能力和Baum-Welch算法的快速逼近局部最优解能力。最后本文用标准多序列比对库BAliBASE中的测试序列对文中提出的比对算法进行测试,通过和原算法的结果对比,表明文中提出的新比对算法的有效性。根据No Free Lunch定理对于不同的优化问题,单一的优化算法往往在执行速度或者优化精度方面无法获得满意的效果,因此综合考虑多种优化算法的优势,取长补短能够获得较好的效果。