免疫算法(Immune Algorithm, IA)是自然免疫系统在进化计算中的一个实现,模拟免疫系统学习、记忆、遗忘的知识处理机制,使其在分布式复杂问题的分解、处理和求解方面表现出较高的智能性和鲁棒性。免疫算法已在很多领域得到了成功的应用,如病毒清除和入侵监控、函数优化、TSP问题、数据分析和挖掘、故障诊断等。但IA存在收敛速度较慢的缺点。遗传算法是一种借鉴生物界自然选择和遗传机制的高度并行、随机、自适应的全局优化概率搜索算法。但遗传算法的理论和方法尚未成熟,算法自身的一些不足也有待于进一步地改进和完善。鉴于两种算法都有其不完善处,而函数优化是对算法进行性能评价的常用方法。本课题将两种算法相结合并进行改进,给出改进的免疫遗传算法,来求解函数优化问题。改进方法如下：期望繁殖率评价、矢量矩浓度计算、免疫记忆算子、逼近方法定位的交叉操作以及动态变异概率的变异算子,分析三种算法的运行机制,对亲合力、浓度、免疫记忆、交叉和变异操作进行深入细致的研究,并在MATLAB环境中使用改进算法来求解函数优化问题。选择一些典型的低维和高维复杂函数进行仿真测试,通过与基本遗传算法和一般免疫算法的比较,仿真实验结果表明本文的改进免疫遗传算法不仅能有效地避免“早熟”现象,提高算法的收敛速度,而且所求得的解都可以达到或逼近最优解。最后,通过对研究工作的总结,指出本文改进算法的优点与不足,为算法的进一步研究提供一定的参考。