群体智能优化算法是模拟生物群体觅食、迁移等社会行为而建立的一种随机优化算法,它无需目标函数的梯度信息,通过启发式搜索寻优。群体智能优化算法的典型代表粒子群优化算法,已经被广泛研究和应用。该算法形式简单,控制参数少,收敛性好,然而在迭代后期,粒子易陷入局部最优点并出现早熟现象。量子粒子群优化算法是粒子群优化算法的一种升级,该算法在量子空间中利用波函数表述粒子的状态,相比于粒子群优化算法在一定程度上扩大了粒子的搜索空间,保持了种群的多样性,提升了全局寻优能力,但在迭代后期依然因粒子出现多样性缺少而陷入局部最优点。鉴于此,本文结合单目标与多目标优化问题,建立了能增强种群多样性,提升全局优化能力的量子粒子群优化算法,并应用到相关问题的参数选取和电力系统的多目标负荷预测与经济调度中。全文主要工作如下:1.针对单目标优化问题,主要在算法搜索策略和并行实现方面进行研究。在算法搜索策略方面结合差分进化,和声搜索,黑洞搜索和Levy飞行机制提出了4种新的量子粒子群优化算法。对于基于差分进化的量子粒子群优化算法,利用差分思想对粒子位置方程进行改进。对于融入和声搜索的量子粒子群优化算法,采用和声搜索不断剔除陷入局部最优的个体。对于基于黑洞搜索和基于Levy飞行机制的两种量子粒子群优化算法,主要改进了粒子的位置方程。通过数值实验,比较了4种改进策略的优劣,得出基于Levy飞行机制的量子粒子群优化算法的收敛性能最佳。在算法并行实现方面,提出了边界变异的并行量子粒子群优化算法,该算法是在计算统一设备架构（CUDA）平台上以多颗密集的计算核心来模拟粒子的搜索过程,数值实验表明该方法缩短了粒子的寻优时间。2.针对多目标优化问题,分析了多目标量子粒子群优化算法的参数设置,提出了一种新的混合多目标量子粒子群优化算法。首先,通过数值实验分析了多目标量子粒子群优化算法中参数选取对算法性能的影响。其次,将改进的4种单目标策略应用于无约束多目标问题的求解,通过数值实验比较了各个改进策略的优劣,得出基于Levy飞行机制的多目标量子粒子群优化算法在Pareto最优前沿分布方面优于其它三种算法。最后,针对约束多目标优化问题,引入动态阀值的约束处理技巧,提出了将自适应克隆等级和动态邻近表的多目标进化算法与量子粒子群优化算法结合的混合多目标优化算法,并给出了一种新的分布性评价指标来评价Pareto最优前沿的分布优劣,数值实验表明了新算法的有效性。3.将改进的单目标量子粒子群优化算法应用于Tikhonov正则化参数选取和全变差图像去噪的参数选取问题。针对Tikhonov正则化参数选取,采用基于Levy飞行机制的量子粒子群优化算法选取参数,数值实验结果表明了算法的优越性。针对全变差图像去噪的参数选取,提出了动态选取参数的方法,通过标准测试图像进行数值计算,得出动态选取参数相比于固定参数的去噪效果好。4.将改进的多目标量子粒子群优化算法应用于电力负荷预测和经济调度问题的求解。针对负荷预测问题,首先,根据负荷预测的误差评价指标建立了短期负荷预测的多目标数学模型。其次,采用离散的粒子群优化算法进行特征选取以筛选数据。最后,将混合多目标量子粒子群优化算法应用于对角递归神经网络训练和多目标负荷预测。仿真结果表明该算法在负荷预测上具有更高的预测精度。针对电力经济调度问题,给出静态电压稳定和碳排放权方面的多目标经济调度模型,并采用混合多目标量子粒子群优化算法进行求解,通过仿真实验得出最优调度方案。