遗传算法是一种具有“生成+检测”迭代过程的搜索算法。群体搜索和群体中个体之间信息相互交换是通过交叉和变异算子来实现的,算法在迭代搜索的过程中,交叉算子和变异算子都是在一定概率的条件下,随机地实现的。因此,交叉算子和变异算子在为群体中的个体提供进化机会的同时,也无可避免地产生了退化的可能。另一方面,每一个待求的实际问题都会有自身一些显而易见的、基本的知识或特征信息。但是遗传算法的交叉算子和变异算子却相对固定,在问题求解的过程中,可变的灵活程度较小。也就是忽视了问题的特征信息在问题求解时的辅助作用,特别是在求解一些复杂问题时,这种“忽视”所带来的损失往往是很明显的。生物免疫系统具有免疫记忆、抗原识别和保持抗体的多样性等特性,本文研究根据这些特性而提出的一种改进遗传算法—免疫遗传算法,该算法将生物免疫系统中的免疫思想引入到遗传算法中,即利用先验知识构造免疫算子,通过接种疫苗和免疫选择,既保留了群体中的最优个体又保证了个体的多样性,从而避免了进化搜索的过早收敛,提高算法的收敛速度。同时设计了一种改进的免疫遗传算法,即将免疫算子引入传统的遗传算法,并采用适时的动态疫苗接种,同时给出了一种停机准则。在对算法阐述过程中,给出了免疫疫苗的选取策略和免疫算子的构造方法。函数优化仿真实验结果表明,与传统的遗传算法相比,改进的免疫遗传算法不仅是有效的,也是可行的。改进的算法不仅可以较好地解决已有算法中出现的退化现象,而且使收敛速度有显著提高。论文就改进的基于疫苗接种的免疫遗传算法进行了简单的收敛性分析,得出了改进的免疫遗传算法是概率1收敛的。