智能算法已广泛应用于静态优化问题的求解，并已获得大量极为有价值的研究成果；而处理动态优化问题的研究相对较少，解决此类问题的关键在于设计具有较强跟踪能力的智能优化技术，动态地跟踪可变环境下的优化对象，并且在执行效率和搜索效果之间达到合理的权衡。已有的静态环境下的智能算法已极难解决此类问题，故寻求更高级的智能优化方法解决动态环境优化问题是智能算法研究的重点之一。从智能优化的角度，近来对动态环境优化的研究主要集中在对传统遗传算法的模块修改，但研究工作尚未取得重大进展。因此，本文基于生物免疫系统的相关理论，针对动态单目标优化、动态多目标优化及在线温室控制分别提出动态环境免疫优化算法，并进行数值实验分析、比较和应用。主要工作概括如下：1)设计动态环境下的新免疫优化算法处理动态单目标优化问题；算法设计中，利用抗体的学习功能设计抗体动态进化模块；利用基因漂移促成抗体群中非优越抗体重构；利用动态监视功能建立环境判别准则和初始抗体群的生成规则；利用记忆特性和记忆池动态维持功能，设计由记忆子集构成的动态记忆池，并经由Average linkage聚类方法保存优秀的记忆细胞；该算法结构简单、灵活，以及不同环境寻优时间动态调节。数值实验比较获其优越性和能有效地在执行效率和执行效果中寻求权衡，对复杂的高维动态环境优化问题具有较大应用潜力。2)针对一类典型的动态环境下温室控制优化问题，提出一种在线温室控制免疫优化算法。该算法借鉴生物免疫系统中记忆细胞的动态更新机制设计动态记忆池，保存不同环境中优秀的抗体；根据进化群的平均浓度动态选择抗体并调节进化群体规模；抗体依据其和抗原的亲和度自适应地繁殖免疫细胞；并通过与其它已有的动态环境进化算法的数值实验比较，结果表明，所获算法具有较强的在线跟踪能力，具有较广的实际应用前景。3)基于动态多目标优化的特征，结合免疫系统的一些机理，提出一种动态多目标免疫优化算法。算法设计中利用分层选择方案，确定参与进化的抗体；抗体的亲和力与抗体的ζ邻域内的所有抗体的平均浓度成正比，同时与其所处的位置相关；每一克隆经由与其亲和力成反比的突变概率自适应突变；利用记忆特性、动态维持功能和Average Linkage聚类方法，设计环境记忆集和记忆池；经利用三种不同类型的动态多目标优化测试问题，该算法与两种具有代表性的进化算法以及一种邻域搜索算法进行比较，数值实验表明所提出的算法在跟踪动态环境的速度和在收敛效果上具有较大优越性。