量子计算理论正逐渐走入人们的视野,量子计算机也得到了众多互联网公司的青睐,量子计算的卓越性能博得了越来越多人的重视,吸引着人们利用其强大的并行处理能力来改善现有算法的缺陷。利用量子计算的思想进行仿生物学进化而形成量子遗传算法是一种新兴智能算法。与经典遗传算法相比,量子遗传算法增强了种群多样性,提升了算法的收敛速率和收敛精度,可以在求解优化问题时发挥更强大的作用,因此拥有极高的科研价值。但是,量子遗传算法在求解复杂问题时仍然具有一定的不足之处,诸如收敛速率不够快,易于陷入局部最优解等等,因此,量子遗传算法仍然存在一定的改进空间。本文从理论角度分析了量子遗传算法和经典遗传算法的不同之处,为了更加直观的对比,选取了两个函数进行测试,验证了标准量子遗传算法相较于经典遗传算法而言在收敛速率与收敛精度上的优势。通过分析标准量子遗传算法的基本结构与原理,提出了改进的量子遗传算法,在量子个体编码、量子种群的初始化、量子旋转门的角度调整、引入量子变异以及量子灾变五个方面提出改进策略。通过同样的函数进行测试,对比实验得到的数据,验证了改进后的量子遗传算法仍然具有很高的收敛精度,并且进一步的提高了算法的收敛速率。本文以供应链的的成本优化问题做为优化问题的示例,考虑了滞销和劣化变质等多种因素,提出了基于三阶供应链系统的新产品成本优化问题模型,利用改进后的量子遗传算法对这个成本优化问题模型进行求解,寻找最低成本,证明了算法的合理性。将算法求得的实验结果和前人的实验结果进行对比,再次验证了改进后的量子遗传算法在收敛速度上的优越表现。