随着经济的不断发展,人们对电力的需求也在不断加大。我国作为人口大国,对电力资源的需求更大,能源的损耗和造成的环境污染是火力发电方式不可避免的难题。因此对热电厂燃烧系统进行优化成为国内外学者的重要研究课题。传统建模方式在处理锅炉燃烧这一复杂工程建模时,通常面临着非线性和强耦合的问题。针对传统方式的不足,快速学习网具有的优良的学习能力,使得该网络具备应对复杂建模的基础。针对快速学习网在实际工程中遇到的泛化性不足问题,本文在快速学习网的基础上做了研究与改进,通过量子计算的方式对网络的Dropout处理,实现了并将改进算法应用于UCI数据集和实际工程建模。实现电厂锅炉燃烧系统的构建,同样需要高效的优化算法对所建立的网络模型进行优化。本文通过改进多目标狼群算法,提出一种高效的多目标优化算法(r-MOWAP)。通过7种多目标测试函数的测试,验证了r-MOWAP算法的有效性,支持了锅炉燃烧优化模型在实际上的应用。为了验证本文提出的优化模型,以某热电厂300MW锅炉燃烧系统作为研究对象进行研究。采用了量子Dropout快速学习网(Quantum Dropout Fast Learning Network,QDFLN)对燃烧参数进行精确预测,通过r-MOWAP算法,对锅炉燃烧过程中的可调参数进行寻优。通过调整锅炉参数,使锅炉尽可能的运行在最优运行状态下。实验结果表明,应用QDFLN和多目标的狼群算法建立的锅炉燃烧系统模型预测精度高,泛化能力强,优化效果明显,达到了降低污染物排放量,提高锅炉热效率的目的。同时在最后实现了锅炉燃烧优化模型的可视化,为热电厂实现节煤减排提供了支持。