蝙蝠算法是一种新兴的启发式智能优化算法，它主要是通过两个方面来发挥自身的优势，采用频率调谐技术来提高解的多样性，以及动态更新脉冲频度和声波响度来实现全局搜索和局部搜索之间的平衡。但是蝙蝠算法不能完全保证可以覆盖到整个可行解空间，量子蝙蝠算法将量子理论与蝙蝠算法相结合，从而来改善蝙蝠算法的寻优性能。　　但是量子蝙蝠算法仍然存在着求解精度低、易陷入到局部最优等缺点。针对这些问题，本文提出了一种改进型的量子蝙蝠算法。该算法引入自然选择的思想，在每次迭代过程中对整个种群适应度值进行排序，用部分较好个体的位置替换部分较差个体的位置，并保存个体历史最好的适应度函数值。此外，针对量子蝙蝠算法的频率引入优化因子，使蝙蝠在迭代初期发出较高频率进行全局搜索猎物，而在迭代后期降低频率，提高局部搜索能力。通过传统测试函数集和CEC2005测试函数集的测试，结果表明改进型量子蝙蝠算法有更好的收敛速度、求解精度和鲁棒性。　　针对改进后的量子蝙蝠算法的全局收敛性，通过概率分析的方法从两种角度进行了分析，证明了该算法的全局收敛性。并且针对算法中的收缩-扩张系数对算法性能的影响进行了仿真测试，实验结果表明与收缩-扩张系数固定不变相比，采取线性下降或非线性下降策略可以取得较好的搜索结果。最后，将改进的量子蝙蝠算法分别应用于典型化工过程的动态优化问题和旅行商问题中，寻优结果更精确，算法性能良好，实验结果验证了算法的有效性和可行性。