مفهوم بهینه سازی برای آنچه که در زندگی روزمره انجام می دهیم یک مفهوم اساسی می باشد. هدف بهینه سازی آن است که به جستجوی منطقی برای بهترین طرح کمک کند تا نیازهای طراح برآورده شود. روش های متفاوتی برای رسیدن به اهداف طراحی می توانند مورد استفاده قرار بگیرند. پیشرفت کامپیوتر در طی پنجاه سال گذشته باعث توسعه روش های بهینه سازی شده، طوری که دستورهای متعددی در طی این دوره تدوین شده است. یکی از این روش ها، روش بهینه سازی ابتکاری و فراابتکاری (جستجوی تصادفی) است که می توانند جوابی خوب (نزدیک به بهینه) در زمانی محدود برای یک مسئله ارائه کنند. از جمله این روش ها، روش الگوریتم بهینه سازی گروه ذرات (pso) یکی از روش های هوش جمعی مبتنی بر جمعیت است که برای حل مسائل بهینه سازی سراسری به کار گرفته می شود. این الگوریتم از رفتار های جمعی پرندگان، ماهیان و ارگانیسم های اجتماعی الهام گرفته شده و در سال 1995 توسط جیمز کندی و راسل ابرهارت معرفی شد که بر پایه تبادل اطلاعات بین شخصیت ها عمل می کند. در سال 2004، جان سان با الهام گرفتن از مکانیک کوانتومی و تحلیل خط سیر الگوریتم pso، تئوری کوانتومی را برای این الگوریتم معرفی کرد. الگوریتم پیشنهادی، الگوریتم بهینه سازی گروه ذرات کوانتومی (qpso) نام دارد که این الگوریتم می تواند در یافتن حل بهینه در فضای جستجو خیلی موثر باشد. الگوریتم بهینه سازی گروه ذرات کوانتومی نوعی از الگوریتم های احتمالی است که همه ذرات را به داشتن یک رفتار کوانتومی به جای دینامیک نیوتنی کلاسیکی که تاکنون در همه روش های pso فرض شده بود، مجاز می کند. در این پایان نامه، ابتدا با بیان مقدمه ای بر روش های بهینه سازی به معرفی کامل الگوریتم بهینه سازی گروه ذرات (pso) و الگوریتم بهینه سازی گروه ذرات کوانتومی (qpso) پرداخته شد. سپس در فصل آخر با توضیح مختصری از نقاط کوانتومی به تعیین انرژی حالت پایه یک سیستم کوانتومی با استفاده از روش الگوریتم qpso با برنامه نویسی در فضای نرم افزار matlab پرداختیم. در واقع توانستیم تراز های انرژی یک ناخالصی هیدروژن گونه در یک نقطه کوانتومی کروی را بدست آوریم. در نهایت نتایج بدست آمده با داده های موجود در مقالات مقایسه شد که این نتایج نسبت به روش های به کار رفته در مقالات قانع کننده تر بوده و استخراج گردید.