人类免疫系统是一种高度进化、并行的分布式自适应系统,拥有着生物免疫系统所具备的较强的学习、记忆、识别和特征提取能力。人工免疫系统就是借鉴这些原理和机制所发展起来的,其具有一定的信息处理能力并能成功应用于工程和科学研究中。人工免疫算法正是基于此免疫系统的学习算法,是人工免疫系统研究的主要内容之一。本文以提高人工免疫算法的搜索性能和节约计算资源为动机,研究了基于人工免疫系统的偏好多目标优化算法,主要分为以下三个方面的工作：1.提出了一种新的基于参考方向的免疫克隆算法。该算法使用基于参考方向的方法为种群个体分配偏好等级,优先选取离偏好区域较近的精英个体填充活性抗体种群,并通过按比例克隆提高偏好等级高的个体被克隆的机会,接着使用能很好地处理带有高维决策变量优化问题的智能交叉算子进行交叉操作,最后算法还整合了光束搜索模型来选取外部种群,以保证最终输出的解集在决策者的偏好区域内。经过实验验证,此算法能够成功解决高维多目标优化问题,甚至在目标向量维数高达100维时,相比于其他几个对比算法也能保证最优的收敛性。2.提出了一种新型的基于角度的偏好选择机制。现有的多数偏好选择机制步骤较复杂,有的还需要使用计算量较大的伸缩函数,于是构建一种简单易行的偏好方法就成了我们做这个工作的出发点。这里新提出的偏好选择机制实质上是利用解向量与偏好方向之间的夹角值大小来作为解的选择标准,十分易于理解和操作。我们把其与经典的基于非支配紧邻选择的多目标免疫算法(NNIA)相结合,将其主要用于活性种群和外部种群的选择,成功地解决了高维多目标优化问题,相比于其他偏好算法和偏好算子在收敛性方面表现出了绝对的优势。3.本章通过将上一章所提出的算法中外部种群的选择方式变为更为经典的光束搜索模型,并对基于角度的偏好选择机制的活性种群选择过程进行自适应处理,提出了改进版的基于角度偏好选择机制的免疫克隆算法,弥补了上一章工作在某些测试问题上所表现出的明显缺陷。实验证明,改进后的算法能够在4到]0目标的DTLZ1,DTLZ2和DTLZ3问题上都表现出稳定的收敛性。