El problema de la mochila es uno de los problemas de optimización combinatoria NP-completos más ampliamente investigados y tiene numerosas aplicaciones prácticas. Este documento propone un algoritmo de evolución diferencial inspirado en la mecánica cuántica con optimizador de lobos grises (QDGWO) para mejorar la diversidad y el rendimiento de convergencia, así como para mejorar el rendimiento en casos de alta dimensionalidad para problemas de mochila 0-1. El algoritmo propuesto adopta principios de la computación cuántica como estados de superposición cuántica y compuertas cuánticas. También utiliza operaciones de mutación adaptativas de la evolución diferencial, operaciones de cruce de la evolución diferencial y observación cuántica para generar nuevas soluciones como individuos de prueba. Se utilizan operaciones de selección para determinar las mejores soluciones entre los individuos almacenados y los individuos de prueba creados por las operaciones de mutación y cruce. En caso de que los individuos de prueba sean peores que los individuos actuales, se utilizan el optimizador de lobos grises adaptativo y la compuerta de rotación cuántica para preservar la diversidad de la población y acelerar la búsqueda de la solución óptima global. Los resultados experimentales para problemas de mochila 0-1 confirman las ventajas de QDGWO con la efectividad y capacidad de búsqueda global para problemas de mochila, especialmente en situaciones de alta dimensionalidad.