现实生活中的很多问题都是多目标优化问题,越来越多的专家和学者使用演化算法来解决多目标优化问题,并且取得了比较好的结果。在演化过程中,如果演化选择方法使用不当,很难使结果均匀地收敛到全局最优解。免疫算法是依据人体免疫系统自我调节的方法,该算法包括抗原识别、免疫记忆、免疫调节和免疫克隆选择等特性,使得免疫算法能够给演化算法提供很好的启发,解决演化算法中如何平衡全局搜索和局部搜索两者的关系,以及如何使得最优解能够快速收敛到真正Pareto前端的问题。本文在演化算法NSGA-Ⅱ的基础上,结合了免疫算法中的亲和力计算、免疫记忆、免疫克隆选择等机理提出了基于免疫算法的演化多目标优化算法(IMM-NSGA-Ⅱ).该算法具有四个创新点：第一,加入了免疫算法中免疫记忆特性,保持了算法中的优秀解不被丢掉,同时改善了算法的收敛效率；第二,使用免疫算法中个体亲和力的计算,避免了演化算法中个体拥挤距离计算带来的局限性,维持种群的多样性；第三,增加了免疫算法中的通过克隆选择思想,加大种群个体寻找空间范围,加强算法局部搜索特性,同时对种群个体实现免疫变异算子,更好地促进产生抗体多样性；第四,通过对NSGA-Ⅱ算法自身局限性分析,提出了改进适应度策略、算术交叉算子设计、按需分层策略和设定阈值选择策略,更好地完善了算法的多样性和收敛性。本文最后通过典型的测试函数对改进算法IMM-NSGA-Ⅱ进行了测试,并且与原有算法NSGA-Ⅱ在收敛性和多样性两个方面进行了比较。试验数据表明,改进算法IMM-NSGA-Ⅱ比NSGA-Ⅱ算法具有更好的多样性表现,但是在处理具有多峰特性问题和骗特性问题上的效果不是很好。在算法收敛性方面,IMM-NSGA-Ⅱ算法明显比NSGA-Ⅱ算法能够更快更好地收敛于最优Pareto前沿。