量子信息学是建立在量子力学与经典信息学基础上的,以量子状态载荷信息,实现信息存储,并遵从量子力学规则对信息实施处理与传输。量子信息学与遗传算法的结合,能有效地避免传统遗传算法具有的过早收敛、收敛速度慢和易陷入局部最优值等缺陷。生产调度典型的组合优化问题,也是一个NP完全问题。随着问题规模的扩大和用户要求的多样化,这个问题的算法复杂度会呈指数增长。基于以上原因,本文作者选择将量子遗传算法的改进及其在调度问题的应用作为研究课题,主要工作如下:(1)针对典型量子遗传算法在实际应用中的缺陷,提出了一种改进的量子遗传算法。通过改进旋转门和灾变策略,用当代最优解取代历代最优解作为算法收敛目标等方式提高算法的寻优能力。通过复杂函数优化的仿真实验,证明了改进的量子遗传算法比遗传算法有更好的算法收敛性。(2)将改进的量子遗传算法应用于模糊交货期下多机并行调度问题的求解。针对最佳个体的量子位观测值不能直接地反应当前的最佳调度方式的问题,在量子解码的过程中引入了量子观测值的求反操作,保持个体的多样性,并用仿真实验也证明了改进的量子遗传算法求解这类问题的可行性和有效性。(3)随着资源受限项目调度问题的规模扩大,使用启发式算法求解存在着收敛速度慢和易陷入局部最优解等缺陷。本文将改进的量子遗传算法引入到这类问题的求解中,提出了一种新的基于优先规则的二进制三角矩阵编码方式。通过标准问题库的仿真测试,证实基于新编码方式的量子遗传算法具有很好的收敛性。