优化问题大量存在于科学研究和工程应用中的各个领域,因而开展最优化方法的研究具有重要的理论意义和实用价值。传统的确定性优化方法存在诸多的局限性,难以解决当今社会日益增多的复杂问题。近年来,多学科交叉研究为解决此类问题提供了新的思路,其中以模仿生物免疫机理为理论基础的人工免疫优化算法在各领域的研究与应用中表现出优异的性能,已成为解决复杂优化问题的有力工具。免疫克隆选择算法是一种受生物免疫系统克隆选择原理启发而设计的新型智能优化算法。它结合了问题的先验知识和生物免疫系统的自适应能力,因而在信息处理方面具有较强的鲁棒性,在搜索过程中能更好地收敛到全局最优解。本文在归纳了基本免疫克隆选择算法的原理与特点的基础上,分析其不足之处,综合运用多种免疫学和进化学思想,从多种角度对算法进行改进,并将改进算法应用于几种典型的优化问题。通过实例仿真,验证改进算法的有效性和实用价值。本文的主要研究内容和结论如下：(1)本文深入分析了人工免疫系统的生物学原理及其仿生机理,详细阐述了人工免疫系统的具体研究内容和范围,并对克隆选择理论的工作机理进行了较为深入的研究。在分析基本免疫克隆选择算法的原理、框架及特点基础上,总结了该算法在某些方面的缺点和不足,确立了本文的基本研究方向,提出了相应的改进思路。(2)针对基本免疫克隆选择算法存在的算法寻优过程中收敛速度慢、易陷入局部最优等问题,借鉴生物免疫系统的显性基因特性,提出了免疫显性克隆选择算法(IDCSA)。通过在每次迭代中使用一批适应值高的抗体来引导整个种群的改良,该策略加强了抗体种群间的信息交流,并有效地指引抗体朝着有前途的方向搜索。这种方法既维持了种群的多样性,又保证了解的质量。同时,采用指数型分布的随机变异策略,充分开发解空间,有利于算法跳出局部最优。为说明改进算法的有效性,选取物流配送问题中的车辆路径调度做为应用实例。通过对不同规模、不同类型的物流配送问题的Benchmark算例进行仿真,将结果进行统计、对比和分析,证明了改进算法的有效性。(3)针对基本免疫克隆选择算法在单一种群进化中容易过早收敛的问题,为了增强免疫克隆选择算法的并行搜索能力,提出了基于多种群策略的主从式免疫克隆选择算法(MSICSA)。主从式免疫克隆选择算法设计了一种主从式结构,该结构上层只有一个主种群,而下层包含多个子种群。主种群和子种群之间实行迁入、迁出操作,以加强各种群间的信息交流,提高主种群的质量。同时,采用混沌序列作为变异操作的随机数,增强了算法搜索的随机性。在具体的实例应用分析中,采用主从式免疫克隆选择算法求解任务分配问题,给出算法的详细求解流程。通过改进算法与其他不同算法对实例进行仿真对比分析,证明了改进算法的有效性。(4)针对基本免疫克隆选择算法在寻优初期具有较快的收敛速度,而到了寻优后期则收敛缓慢,算法缺乏随机性,同时又缺乏局部搜索能力等缺点,提出自适应全局免疫克隆选择算法(AGICSA)。自适应全局免疫克隆选择算法引入了一种服从高斯分布的自适应全局变异策略。其中,变异率采用了一种与抗体适值相关的自适应正态云模型。在动态调整变异力度的同时,引入了一种基于正态分布的自适应变异操作,通过这种变异操作可以在全局范围内均匀、动态地对每个满足变异率的抗体的σ临域内进行高概率变异,增强了搜索的随机性和稳定倾向性。在具体的实例应用中,本文设计了一种模糊能量管理控制器(FEMC)来实现并联式混合动力汽车(PHEV)的电动辅助控制策略。并利用自适应全局免疫克隆选择算法对模糊逻辑控制器(FLC)的隶属函数进行优化,从而进一步地改善燃油经济性和综合能耗指标。针对不同的道路循环测试工况,将改进算法自适应全局免疫克隆选择算法与其它算法分别嵌入PHEV整车模型,进行仿真对比分析,证明了改进算法的有效性。本文通过以上的研究工作和仿真结果分析,对改进的免疫克隆选择算法进行综合性地概括、归纳和总结。在处理大规模复杂优化问题方面提出了一些改进的思想,并完成了算法的实现和应用仿真。最后,对有待进一步深入研究的问题进行了探讨,对免疫克隆选择算法未来的发展在理论和应用两个方面进行了展望。