本书在总结自然计算领域主要理论研究和实际应用成果的基础上，着重对近年来量子计算智能领域常见的理论及技术进行了较为全面的阐述，并结合作者多年的研究成果，对相关理论及技术在应用领域的实践情况进行了展示和总结。全书从优化和学习两个方面展开，分为八章，主要内容包括进化计算、群体智能算法、量子进化计算、量子粒子群优化，以及基于量子智能优化的数据聚类、数据分类、网络学习和相关应用。本书可为人工智能、计算机科学、信息科学、自动化技术等领域及其交叉领域中从事量子计算、进化算法、机器学习及相关应用研究的技术人员提供参考，也可作为相关专业研究生和高年级本科生的教材（其中前四章为基础理论，适合本科生使用，后四章为高阶算法，适合研究生使用）。

焦李成，男，汉族，1959年10月生，1992年起任西安电子科技大学教授。现任智能感知与计算靠前联合研究中心主任、智能感知与图像理解重点实验室主任、智能感知与计算靠前合作联合实验室主任、“智能信息处理科学与技术”高等学校学科创新引智基地（“111计划”）主任、科技委靠前合作部学部委员、中国人工智能学会副理事长、IET西安分会主席、IEEE西安分会奖励委员会主席、IEEE计算智能协会西安分会主席、IEEEGRSS西安分会主席，IEEETGRS副主编、创新团队首席专家。国务院学位委员会学科评议组成员、本科教学水平评估专家。1991年被批准为享受国务院政府津贴的专家，1996年首批入选国家“百千万”人才工程。当选为全国模范教师、陕西省师德标兵和曾任第八届全国人大代表。
焦李成教授的主要研究方向为智能感知与计算、图像理解与目标识别、深度学习与类脑计算，培养的十余名博士获全国很好博士学位论文奖、提名奖及陕西省很好博士论文奖。研究成果获包括国家自然科学奖二等奖及省部级一等奖以上科技奖励十余项，出版学术专著十余部，五次获国家很好科技图书奖励及全国首届三个一百很好图书奖。所发表的论著被他人引用超过25000余篇次，H指数为65。

章 进化计算 1 1.1 进化计算概述 1 1.1.1 基本原理 4 1.1.2 进化计算的一般框架 7 1.1.3 进化计算研究现状 8 1.1.4 进化计算典型算法 10 1.2 人工免疫系统 13 1.2.1 基本原理 14 1.2.2 人工免疫系统研究现状 17 本章参考文献 20第2章 群体智能算法 25 2.1 群体智能概述 25 2.2 蚁群优化算法 27 2.2.1 基本原理 27 2.2.2 蚁群算法理论研究现状 28 2.2.3 蚁群算法应用研究现状 29 2.3 粒子群优化算法 30 2.3.1 基本原理 31 2.3.2 粒子群算法的理论研究现状 32 2.3.3 粒子群算法的应用研究现状 34 本章参考文献 34第3章 量子进化计算 42 3.1 量子进化计算 42 3.1.1 基本概念 43 3.1.2 量子进化算法 44 3.2 量子克隆进化计算 52 3.2.1 基本概念 53 3.2.2 量子克隆进化算法 54 3.2.3 量子克隆进化算法的结构框架 57 3.2.4 量子克隆进化算法的收敛性 59 3.2.5 量子克隆进化算法仿真 61 3.2.6 量子克隆进化算法的并行实现 66 3.3 量子免疫克隆多目标优化算法 67 3.3.1 多目标优化 67 3.3.2 量子免疫克隆多目标优化算法 73 3.3.3 算法分析 76 3.3.4 实验结果及分析 78 3.4 结论与讨论 92 本章参考文献 92第4章 量子粒子群优化 96 4.1 量子粒子群算法基础 96 4.1.1 量子粒子群优化算法 96 4.1.2 量子粒子群优化算法的改进算法 98 4.2 基于协作学习的单目标量子粒子群优化 100 4.2.1 协作学习策略 100 4.2.2 基于协作学习策略的量子粒子群算法框架及实现 103 4.2.3 实验结果及分析 105 4.3 基于记忆策略的动态单目标量子粒子群优化 118 4.3.1 动态优化环境下的记忆策略 119 4.3.2 基于记忆策略的动态单目标量子粒子群算法框架实现 120 4.3.3 实验结果及分析 124 4.4 基于MapReduce的量子行为的粒子群优化算法 131 4.4.1 量子行为的粒子群优化算法 131 4.4.2 MRQPSO算法 132 4.4.3 实验结果及分析 135 4.5 结论与讨论 140 本章参考文献 140第5章 基于量子智能优化的数据聚类 145 5.1 基于核熵成分分析的量子聚类算法 145 5.1.1 量子聚类算法 145 5.1.2 基于核熵成分分析的量子聚类算法 147 5.1.3 实验结果及分析 153 5.2 基于量子粒子群的软子空间聚类算法 165 5.2.1 QPSO算法 166 5.2.2 QPSOSC算法 168 5.2.3 实验结果及分析 171 5.3 结论与讨论 178 本章参考文献 179第6章 基于量子智能优化的数据分类 181 6.1 基于量子粒子群的最近邻原型数据分类 181 6.1.1 数据分类方法简介 181 6.1.2 K近邻分类概述 185 6.1.3 基于量子粒子群的最近邻原型的数据分类 187 6.1.4 实验结果及分析 189 6.2 改进的量子粒子群的最近邻原型数据分类 196 6.2.1 基于多次塌陷-正交交叉量子粒子群的最近邻原型算法的数据分类 196 6.2.2 实验结果及分析 198 6.3 结论与讨论 206 本章参考文献 206第7章 基于量子智能优化的网络学习 208 7.1 基于量子进化算法的超参数优化 208 7.1.1 常用的机器学习模型 208 7.1.2 常用的优化算法 213 7.1.3 基于单个体量子遗传算法的超参数优化 220 7.1.4 实验设计及结果分析 223 7.2 基于量子多目标的稀疏受限玻尔兹曼机学习算法 227 7.2.1 引言 227 7.2.2 相关理论背景 227 7.2.3 基于量子多目标的稀疏受限玻尔兹曼机学习算法 234 7.2.4 基于量子多目标优化的稀疏深度信念网络 238 7.2.5 实验结果及分析 238 7.3 基于量子蚁群优化算法的复杂网络社区检测 245 7.3.1 引言 245 7.3.2 基于量子蚁群优化算法的社区结构检测算法 246 7.3.3 实验结果及分析 252 7.4 讨论与结论 264 本章参考文献 265第8章 基于量子智能优化的应用 273 8.1 基于文化进化机制和多观测策略的多目标量子粒子群调度优化算法 273 8.1.1 引言 273 8.1.2 EED问题模型 274 8.1.3 基于文化进化机制和多观测策略的多目标量子粒子群算法框架及实现 275 8.1.4 基于CMOQPSO的环境/经济调度优化 281 8.1.5 实验结果及分析 282 8.2 基于量子多目标进化聚类算法的图像分割 295 8.2.1 基于量子多目标进化聚类算法的图像分割 295 8.2.2 实验结果及分析 299 8.3 基于多背景变量协同量子粒子群优化及医学图像分割 308 8.3.1 背景变量概述 308 8.3.2 多背景变量协同量子粒子群算法 308 8.3.3 基于多背景协同量子粒子群算法的图像分割 312 8.4 讨论与结论 316 本章参考文献 316