本文研究内容是多维背包问题,多维背包问题的目标是在满足所有维度下的限制条件找出被选择的物品总价值最大的组合,它是NP难的组合优化问题,在计算上具有挑战性并且在生活中应用广泛,多维背包问题广泛存在于货物装载、削减库存、项目选择、资金预算、解决处理器和数据库在分布式计算机系统上的分配问题等方面。因此,求解多维背包问题具有重要的理论指导意义和实际应用价值。本文提出随机采样预处理的方法来求解多维背包问题,对目前求解多维背包问题最好的量子粒子群优化算法进行改进,通过随机采样预处理估计多维背包问题中每件物品是否该放入背包,通过随机采样得到的扰动因子将在物品排序过程和解更新过程进行扰动,物品排序策略和解更新策略采用随机采样预处理方法的扰动因子是不同的,在这两个部分中对随机采样预处理的扰动因子分别进行研究。第一部分是对物品排序过程进行扰动,在物品排序处理中不再选择流行的物品排序方法,而是选择通过随机采样预处理策略得到的信息对物品进行排序;第二部分是对量子粒子群更新过程进行扰动,量子粒子群更新过程是通过随机采样预处理得到的算子与原先量子粒子群优化算法相结合,构成新的扰动因子,以此来对量子粒子群更新过程进行扰动。这两个部分的改进可提高量子粒子群优化算法对多维背包问题的求解性能。本文采用的实验数据集是OR-Library中多维背包问题的数据集,通过实验对本文提出的算法进行分析与量子粒子群优化算法进行比较,结果显示本文提出的方法在一定时间内比量子粒子群优化算法能更快地找到较好的解,这对于求解多维背包问题以及求解多维背包问题的实际应用问题具有重要意义。