人们生活的现代社会是一个由计算机信息网络、电话通信网络、运输服务网络、能源和物流分派网络等各种网络组成的复杂网络系统。网络优化就是研究如何有效地计划、管理和控制这个网络系统，使之发挥最大的社会效益和经济效益。传统运筹学的优化方法显得无能为力，寻求一种适合大规模并行且具有智能特征的优化方法已成为最优化技术的一个主要研究目标和引人注目的研究方向。尤其是智能仿生算法如人工神经网络、遗传算法、DNA分子算法、蚂蚁算法、免疫算法、粒子群算法等显示其独特的魅力，迅速成为研究热点。它们都是模拟某一自然现象或过程而发展起来的，并且具有适于大规模并行与自组织、自适应、自学习等特征而引起人们的极大兴趣。近几十年的研究和应用已经清楚地表明了模拟自然进化的搜索过程可以产生非常鲁棒的算法，虽然这些模型还只是自然界生物进化过程的粗糙简化。进化算法(EA)正是基于这一思想发展起来的一种通用的问题求解方法。进化算法是一种模拟自然界中物种进化机制的启发式搜索算法，理论上已经证明：它们均能从概率的意义上以随机的方式寻求到问题的最优解。但将EA用于各种实际问题后，也出现了一些不尽人意之处，主要表现在：容易产生早熟，收敛速度慢，局部寻优能力差等。这是自然进化和生命现象的不可知性的结果，也是EA最明显的缺陷之一：收敛难问题(包括收敛速度慢和未成熟收敛)。 论文从在进化中引入好的引导机制可以增强算法的智能性，提高搜索效率这一事实出发，进行“仿生”研究的同时，也受物理学的启发而萌发了“拟物”探索。提出了一些基于自然计算的新颖进化计算模型。自然计算是目前新兴的一类计算方法，它以自然界，特别是生物体的功能、特点和作用机理为基础设计出的计算模型。近年来自然计算成为研究的热点，并在诸多领域中得到了广泛的应用。 研究工作取得的创新性成果主要有： (1)基于免疫的量子进化计算模型 论文提出了一种基于免疫算子的量子进化算法(MQEA)，在MQEA中，分析了量子进化算法的特点，研究了免疫进化机制的特性，结合免疫系统的动力学模型及免疫细胞在自我进化中的克隆选择和亲和度成熟机理，提出了一种基于免疫算子的量子进化算法，通过抗体的克隆选择、记忆细胞产生、免疫细胞自适应交叉变异、抗体的促进与抑制和抗体相似性抑制等进化机制，最终可找出最优解。我们不仅用Markov随机过程理论证明了该进化算法的收敛性，而且用仿真实验说明了该进化算法的优越性。 (2)多宇宙并行免疫量子进化计算模型 论文提出了一种混合计算模型一多宇宙并行免疫量子进化计算模型。在混合计算模型中，采用多宇宙并行结构，不同的宇宙向着各自的目标演化，宇宙之间采用基于学习的移民和模拟量子纠缠的交互策略交换信息，我们讨论了多宇宙并行拓扑结构，研究了多宇宙之间信息的交换策略。基于Markov随机过程理论我们证明了它的收敛性。 (3)基于学习的自适应并行免疫量子进化算法 论文研究了量子计算的并行特点，提出了一种基于学习的自适应并行免疫量子进化算法。算法中将种群分成若干个独立的子群体，称为宇宙。并给出了多宇宙的并行拓扑结构，提出了宇宙内采用免疫量子进化算法，宇宙之间采用基于学习的移民和模拟量子纠缠的交互策略进行信息交换。即在多宇宙并行结构中，宇宙中个体向着各自的目标演化，宇宙之间采用基于学习机制的移民和模拟量子纠缠的交互策略交换不同进化环境下的优秀个体和优秀模式，这样能提高种群多样性有效克服早熟收敛现象，使得搜索效率和搜索能力得到更进一步提高。我们不仅用典型的测试函数验证了算法是高效的，而且从理论上证明了算法是收敛的。 (4)基于学习的自适应并行免疫量子进化算法性能研究 论文讨论了基于学习的自适应并行免疫量子进化算法及性能，包括算法的收敛性、算法中参数的变化对算法性能的影响等。特别是并行计算中的参数选择以及它对并行性能的衡量算子加速比的影响。研究了设计高效并行算法的有关准则，要解决的关键问题和优化策略。分析和比较了提高并行计算机系统的性能的相关技术和方法，以及它们在提高并行性能的作用。研究表明基于学习的自适应并行免疫量子进化算法适合粗粒度并行模型，依据本文的改进粗粒度模型，在总种群数量确定的情形下，宇宙数目较多，则种群的多样性较好，故算法性能更好。但宇宙数目继续增大，宇宙间通讯代价会迅速增加，算法的性能相反会下降，加速比的实验结果也证实了效果。 (5)多峰值搜索并行免疫量子进化算法的性能研究 论文将基于学习的自适应并行免疫量子进化算法用于多峰函数问题求解，提出多峰值搜索免疫量子进化算法，选用典型的多峰值测试函数作为实验对象，验证了算法可以快速、高效地收敛于多个峰值上。最后对多峰值搜索并行免疫量子进化算法中参数及性能进行探索，并用实验仿真验证效果。