人工免疫算法的发展方兴未艾,在众多领域得到了广泛的研究应用,因此深入开展这方面的研究是十分必要的。本文首先研究了生物免疫系统以及人工免疫系统的基本原理,为进行免疫算法研究提供相应的理论基础。随后在经过对免疫算法的基本步骤、常用技术、典型算法以及应用有了一定的了解与掌握之后,在现在免疫算法的基础上,结合模拟退火的Metropolis准则,提出一种基于Metropolis准则的免疫算法(MIA)。普通免疫算法的免疫选择中有一个明显的缺点:适应度值较低的个体在操作中总是会被舍弃,尽管它们也包含一定的遗传信息,更有可能产生出适应度更大的个体,进而使免疫算法可能出现较早退化的现象以及失去对某些最优解的搜索机会等。针对这类问题MIA在免疫算法的选择操作中结合了Metropolis准则:在免疫算法的选择操作中会在劣质个体群(适应度值较低的群体)当中依据一定的选择概率选择个体进入到下一代种群,即在接受最优个体的同时有限度地接受劣质个体,保证了群体的多样性,避免陷入局部最优解。为了验证MIA的有效性,本文将算法应用到某一维函数的优化上进行仿真实验,并与传统的免疫算法对比。经过对结果分析,证明了MIA在防止算法过早出现退化,避免陷入局部最优值,平均适应度值较大等方面的有效性。关联规则作为数据挖掘一个重要的研究领域,具有广阔的研究前景以及很大的研究价值,因此本文尝试着利用MIA对关联规则进行研究。在vc++6.0开发环境下,应用算法对关联规则进行挖掘,结果验证了方法的可行性。