遗传算法(Genetic Algorithm, GA)是基于对自然界中的种群进化机理和生物遗传机理的模仿,对种群中的个体进行具有概率性的选择、变异和交叉操作。量子理论为我们揭示了微观物质世界的规律,为人类表述自然界提供了新的方法,将量子理论引入智能算法研究中,使粒子具有量子行为可以很好地克服原算法存在的缺点,因此基于量子理论的算法研究也是当今研究的热点。粒子群优化(Particle Swarm Optimization, PSO)算法是一种通过模仿自然界中鸟群寻找食物的现象来构建数据模型的仿生优化算法,因其参数较少,搜索过程简单,且搜索效果较好,算法一经提出便受到学术界的广泛关注,并应用于函数优化、神经网络训练、工程应用等诸多领域。目前存在的许多改进算法,虽然在一定程度上提高了算法性能,但算法的收敛速度、如何更好地收敛到全局最优解等方面仍存在很大的研究空间,因此研究粒子群优化算法与遗传算法、量子理论的融合,从而提高算法收敛速度和寻优效果的改进方法是非常有意义的。随着当今时代市场竞争的日趋激烈,传统的企业运营方式跟不上市场的变化速度,而基于多个独立企业的暂时性利益合作联盟,即虚拟企业,凭借其灵活性、效益性在社会经济活动中地位日益彰显,逐渐成为重要的企业组织形式。因而组建虚拟企业的关键问题,即如何选择合作伙伴也变的尤为重要。本文首先详细介绍了目前较为流行的几种智能优化算法,然后对粒子群优化算法进行了研究,分析了粒子群算法的优缺点；对具有量子行为的粒子群优化(Quantum-behaved Particle Swarms Optimization Algorithm, QPSO)算法进行了研究,并对QPSO算法的参数选择进行改进,提出了改进的量子行为的粒子群优化(Modified Quantum-behaved Particle Swarms Optimization Algorithm, MQPSO)算法,然后将MQPSO算法应用于函数优化中,实验结果表明改进的量子行为粒子群优化算法具有更好的稳定性和更快的收敛速度；在对现有粒子群优化算法及其改进算法研究的基础上,结合遗传算法,对粒子群算法的易局部收敛和收敛速度慢的缺点加以改进,提出了遗传粒子群算法(Genetic and Particle Swarm Optimization Hybrid Algorithm, GPH),并将GPH算法应用于虚拟企业伙伴选择仿真实验中,以找到最优的虚拟企业伙伴组合,实验结果表明了该算法的有效性。