针对光纤通信高速传输过程中的非线性效应问题, 基于卷积神经网络提出一种光纤通信非线性失真补偿方法。利用卷积神经网络捕捉光纤传输信号的非线性变化特征, 在网络最后一层通过回归层对光信号进行非线性拟合; 通过量子粒子群优化算法搜索深度卷积神经网络的超参数集, 降低卷积神经网络的训练难度。数值仿真实验结果表明, 量子粒子群优化算法能够有效地优化卷积神经网络的超参数, 并且所训练的卷积神经网络能够改善光纤传输的通信质量。

大型光纤布喇格光栅(FBG)传感网络中，由于光源带宽有限，而FBG传感器复用数量多，会出现光谱重叠问题。因此，提高复用能力成为传感网络设计中的一个关键问题。结合谱形复用与量子粒子群优化(QPSO)算法，对多FBG传感系统进行实验与仿真分析。与传统粒子群算法相比，QPSO算法中参数设置比较简单，粒子搜索最优解能力大大提高。对QPSO算法和自适应变异的量子粒子群优化(AMQPSO)算法的解调结果进行分析，对比两者的解调精度与时间。AMQPSO算法在多FBG复用系统中的解调误差不超过3 pm，温度测量精度达0.3 ℃，解调时间不超过5 s，解决了多FBG系统中部分重叠及完全重叠问题。

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization， QPSO)算法优化多输出最小二乘支持向量机（multi-output least squares support vector machine， MLSSVM）的新混合优化算法。 该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、 芝麻油、 葵花油和大豆油的快速定量鉴别。 采用基线校正去除背景荧光， 结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。 构建基于QPSO-MLSSVM混合优化算法的定量分析模型， 并采用20个组分组成的预测集对其进行模型校验。 实验结果表明， 基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好， 均方差(mean square error, MSE)为00241， 低于005， 各油分预测相关系数均高于98%。 研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法， 对四组分调和油中各油分进行快速定量检测可行， 具备较强的自适应能力和良好的预测精度， 可以满足多组分调和油的成分鉴别。

针对粒子群算法优化神经网络进行语音转换时容易产生收敛速度慢、早熟的问题,本文采用一种新的量子粒子群算法优化广义回归神经网络的语音转换模型。该量子粒子群通过改变量子比特相位进而改变位置矢量, 并利用量子非门进行变异操作。因此首先利用量子粒子群对网络进行优化得到最佳的光滑因子参数, 从而建立频谱映射规则。接着, 利用频谱参数和基频参数的相关性, 对韵律特征基频也进行转换。然后, 联立转换后的频谱参数和基频参数, 利用STRAIGHT模型合成目标语音。最后, 采用主观和客观测评方式进行评价。实验结果表明, 与传统粒子群算法优化广义回归神经网络相比, 该方法转换后的语音自然度和相似度得到提升, 谱失真率下降2.1%。本文方法具有比径向基神经网络、广义回归神经网络、粒子群算法优化广义回归神经网络更好的语音转换性能。

对防空作战目标识别阶段中的传感器管理问题进行了研究, 提出基于Rényi信息增量的多传感器管理调度方案。首先利用D-S证据理论进行融合推理, 得出不同目标与不同传感器配对时的Rényi信息增量; 然后, 建立了基于系统总Rényi信息增量最大化的传感器分配模型, 此外, 对量子粒子群智能优化(QPSO)算法进行自适应改进, 能够对分配模型进行快速求解; 最后, 通过仿真实验验证了算法的合理性和有效性。

针对基本粒子群算法在飞行器地磁匹配航迹规划中容易陷入局部收敛的问题，借鉴粒子群算法和量子进化算法，将量子粒子群算法应用在基于地磁匹配的航迹规划中。结合飞行器的性能约束和地磁匹配自身特点，设计了一种适用于地磁匹配航迹规划的评价函数作为适应度函数。仿真结果表明,量子粒子群算法具有较快的收敛速度且改善了最优解，验证了量子粒子群算法应用于地磁匹配航迹规划的有效可行性。

多无人机超视距空战决策问题是现代空战重要的研究课题,针对多无人机超视距空战博弈问题进行了研究.首先根据敌我双方作战态势参数信息,建立敌我双方对抗支付博弈模型,然后给出了基于量子粒子群算法的空战博弈混合策略纳什均衡的求解方法,最后通过仿真验证了该方法的可行性及有效性,为解决在超视距下多无人机空战策略问题提供了一种较科学的方法.

提出了一种基于量子粒子群优化算法的光纤光栅参数重构方法。该方法通过传输矩阵法得到优化目标函数，并将待优化的光纤光栅参数以粒子表示，再让粒子在解空间模拟量子行为进行搜索。以均匀布拉格光栅和线性啁啾光纤光栅为例，分别采用遗传算法（GA）、经典粒子群优化（PSO）算法以及量子粒子群优化（QPSO）算法对其进行参数重构。与传统粒子群算法及遗传算法相比，该方法借鉴了量子行为，具有更好的收敛性能和稳态性能。数值结果表明，种群规模为40时，针对均匀和非均匀光栅分别进化100代和200代得到的重构参数误差均小于0.5%。