量子信息科学是量子力学与信息科学结合的一门新兴学科。量子信息科学采用量子比特来表示量子态。遗传算法是模仿生物自然选择和遗传机理,构造一种随机搜索的计算智能算法。量子遗传算法就是遗传算法与量子计算与相结合,建立在量子的态矢量表述基础上,将量子比特的概率幅表示应用于染色体的编码,并利用量子门和量子非门实现更新种群的操作,让种群朝向最优目标进化,最终实现目标的优化求解。量子遗传算法在对许多具体问题的求解过程中,不用对问题特性的先验知识,仅仅依靠所求问题的适应度函数信息,同时不受所求问题搜索空间的可导性、连续性等限制条件的约束。　　量子遗传算法已在函数优化以及组合优化问题上得到了广泛的应用,但由于在具体问题中,函数的复杂度、多样性等不同,有的容易收敛,有的难以收敛。量子遗传算法依然存在很多问题,最为突出的问题主要表现在求解高维复杂函数时,算法易陷入早熟,且难以脱离局部最优解等方面。　　针对量子遗传算法在求解高维函数优化问题时存在的收敛速度慢、解的精度低的问题,本文提出一种改进的并行量子遗传算法(IPQGA)。首先,为了加快收敛速度,减少早熟现象,本文通过对并行量子遗传算法和多核集群的深入研究,采用了~种基于多核集群下的混合并行量子遗传算法实现模型。其次,提出了一种新的基于多尺度变换的动态编码方法,它能有效解决全局和局部搜索中搜索空间、解的精度和收敛速度之间的冲突。最后,一种新的局部搜索策略引入到量子遗传算法中,用局部搜索得到的新个体代替较劣的个体,使其跳出局部最优,增强种群的多样性。　　为验证本文所提算法的有效性,选取若干基准高维函数作为测试问题。测试结果表明:相对已有文献给出的测试数据,本文所提算法(IPQGA)在解的精度、平均误差等多个性能指标都具有一定的优势。