Motivado por conceptos en mecánica cuántica y optimización por enjambre de partículas (PSO), se propuso la optimización por enjambre de partículas con comportamiento cuántico (QPSO) como una variante de PSO con mejor capacidad de búsqueda global. En este artículo, se propone un QPSO con posición personal óptima media ponderada y atractor local adaptativo (ALA-QPSO) para mejorar simultáneamente el rendimiento de búsqueda de QPSO y adquirir una buena capacidad óptima global. En ALA-QPSO, la posición personal óptima media ponderada se obtiene al distinguir la diferencia del efecto de las partículas con diferentes aptitudes, y el atractor local adaptativo se calcula utilizando la suma de los cuadrados de las desviaciones de los valores de aptitud de las partículas como el coeficiente de la combinación lineal de la mejor posición conocida de la partícula y la mejor posición conocida de todo el enjambre. El algoritmo ALA-QPSO propuesto se prueba en doce funciones de referencia y se compara con la Colonia de Abejas Artificial básica y otras cuatro variantes de QPSO. Los resultados experimentales muestran que ALA-QPSO tiene un mejor rendimiento que los métodos comparados en todas las funciones de referencia en términos de mejor capacidad de búsqueda global y una tasa de convergencia más rápida.