El algoritmo de optimización de enjambre de partículas (PSO) no es bueno para tratar con problemas de optimización discreta, y para el algoritmo del rebaño de krill (KH), la capacidad de búsqueda local es relativamente pobre. En este documento, optimizamos PSO mediante comportamiento cuántico y optimizamos KH mediante recocido simulado, por lo tanto, se propone un nuevo algoritmo híbrido, llamado algoritmo de optimización de enjambre de partículas cuánticas de krill de recocido (AKQPSO), y se basa en el algoritmo de rebaño de krill de recocido (AKH) y el algoritmo de optimización de enjambre de partículas cuánticas (QPSO). QPSO tiene un mejor rendimiento en la explotación y AKH tiene un mejor rendimiento en la exploración, por lo que AKQPSO propuesto sobre esta base aumenta la diversidad de los individuos de la población, y muestra un mejor rendimiento tanto en la explotación como en la exploración. Además, el comportamiento cuántico aumentó la diversidad de la población, y la estrategia de recocido simulado hizo que el algoritmo evitara caer en el valor óptimo local, lo que hizo que el algoritmo obtuviera un mejor rendimiento. El conjunto de pruebas utilizado en este documento es un problema clásico de desafío de 100 dígitos, que fue propuesto en el Congreso IEEE de Computación Evolutiva (CEC 2019), y AKQPSO ha logrado un mejor rendimiento en problemas de referencia.