本文的目的是研究一种新的并行进化算法及其应用。群体智能算法是一种进化类算法,是解决优化问题特别是复杂系统优化问题的有效手段。而QPSO是一种新的、具有全局收敛性群体智能算法,并且许多实际应用证明,QPSO远远优于一般的粒子群算法(Particle Swarm Optimization-简称PSO)和遗传算法(Genetic Algorithm)。因此,本文的研究内容对于群体智能和并行化的发展具有一定的学术意义和应用价值。本文在研究了遗传算法、粒子群优化算法和具有量子行为的粒子群算法及其并行化研究现状的基础上,受遗传算法并行化的启发,对粒子群优化算法和具有量子行为的粒子群算法提出并实现了新的并行化策略。主要思想是引入岛域模型和交换算子的概念,在机群环境下,基于这两种优化算法在求解的过程中,相互之间通过迁移算子来达到相互之间交换信息的目的,使得整个群体的多样性得到保持,从而提高了算法的全局搜索能力。在并行测试中,由于通信时间过长,会引起通信的瓶颈问题,本文对相互通信的时间进行了改进,相互通信的周期按指数递减地序列进行,文中主要是以一些常见的基准函数的并行实现为例,详细描述了算法设计思想和程序实现过程,提供了大量的测试结果,并与相应串行算法在相同计算环境下的测试结果做出比较,以及不同并行实现之间的比较。测试结果表明,无论是在优化算法的搜索能力还是在运行的时间上,本文的并行方案相对于串行算法以及现有的并行策略都具有一定的优势,提供了解决复杂优化问题的一种有力手段。本文将PPSO算法用于一个在多阶段投资组合优化系统中进行决策的决策制定过程,目标函数是最大化个人经济效益或最大化周期结束时个人财富。通过比较按期望回报和标准方差被不同的目标函数所优化的投资组合的性能来指导验证。