自然计算（Nature inspired Computation）作为一类新兴的计算方法，是以自然界，特别是生物体的功能、特点和作用机理为基础设计出的计算模型。它具有自适应、自组织、自学习等能力，同时具有有效模仿自然界各类运行机制的特点，能够为传统算法难以解决的各类复杂问题给出合理的解决方案，因此近年来成为人工智能领域的一个新的研究热点。自然计算已在大规模复杂系统的优化设计、优化控制、智能交通、计算机网络等领域得到了广泛的应用。本论文围绕自然计算中较流行的人工免疫系统和粒子群优化算法展开深入研究，提出一系列新算法，将提出的算法应用于汽轮机的故障诊断中，不仅拓展了自然计算的应用范围，而且丰富了汽轮机的人工智能诊断技术。　　归纳总结，本文的研究成果主要有以下几个方面：　　提出一种定向多尺度免疫克隆优化算法，该算法利用不同初始方差的高斯变异机制，促使整个种群以尽量分散的变异尺度实现解空间的搜索。在利用不同大小变异算子提高全局及局部精确搜索能力的同时，利用定向进化操作加快算法收敛速度。仿真结果表明该算法能够快速定位到搜索空间的最优解区域，进而使抗体通过定向进化操作及小尺度变异算子实现最优精确解空间的逼近，在保持最优解精度的同时，加快了算法收敛速度。　　提出一种并行免疫克隆优化算法。该算法将抗体群分为多个高斯变异子群和均匀变异子群，在增加算法种群多样性，提高算法勘探(exploration)能力的同时，保证算法在进化后期具有较强的局部精确解的开采(exploitation)能力。利用不同空间特征和维度的数据集进行测试，试验结果表明该算法能有效提高全局解搜索能力。结合聚类问题，进一步给出了一种基于并行免疫克隆优化的聚类算法，并将其应用到汽轮机故障诊断中，验证了该算法解决实际工程问题的有效性。　　提出一种自适应多尺度变异逃逸的粒子群优化算法。该算法利用自适应阈值设定机制确定粒子逃逸的最佳时期，有效实现全局与局部搜索能力的协调；利用多尺度高斯变异和均匀变异实现粒子的逃逸，保持种群多样性，防止算法陷入局部极值点，提高了算法对全局解的搜索性能。利用不同的评测函数及汽轮机故障数据进行测试验证了该算法优良的性能。　　提出一种协调勘探和开采能力的粒子群优化算法。该算法通过增加随机子群，扩大了全局解空间的勘探能力，同时为了不影响算法局部精确解空间的开采能力，该算法利用种群进化信息生成解的优胜区域，找出更有效的最优解子空间，引导进化子群微粒向着最优解空间逼近，使算法始终保持最优解空间勘探的能力，同时不影响算法的收敛速度。由于该算法引入了控制参数进行勘探和开采能力的协调，因此具有更大的灵活性。实现了算法全局解搜索性能及收敛速度间的最优平衡。　　提出一种改进粒子群优化算法和K均值聚类算法混合的聚类算法。通过群体适应度方差判别粒子的收敛速度，确定K均值算法的操作时机，实现PSO算法与K均值算法的有机结合。该算法通过增加随机变异，并只对参与变异的粒子进行K均值操作，使其在进化过程中始终保持最优解空间勘探的能力，在增强了混合算法全局解搜索能力的同时不影响算法的收敛速度。