生物免疫系统是一个高度进化的生物系统,它具有高度自适应、高度分布性、自组织等特性。它能够有效识别入侵的抗原并清除抗原,并保持机体的稳定。人工免疫系统正是借鉴生物免疫系统信息处理机制的基础上发展起来的智能信息处理技术。由于人工免疫系统具备模式识别、学习和记忆的能力,因此它成为了一种科学及工程领域中信息处理和问题求解范式,由此也开辟了计算智能研究的新领域。 本文以人工免疫系统的基本原理框架为线索,对其研究状况加以系统性的论述。首先从生物免疫系统入手,归纳总结出其仿生的机制机理,主要包括免疫识别、免疫学习、免疫记忆、个体多样性、分布式、自适应等。进而详细介绍了人工免疫系统的形态空间模型和人工免疫网络的二进制模型。随后又介绍了几种具有代表性的人工免疫系统模型:基于阴性选择的人工免疫系统模型、基于克隆选择原理的人工免疫系统模型以及基于克隆选择原理的免疫网络模型。 在分析了免疫系统克隆机制的基础上本文提出了一种免疫克隆算法,在算法中引入了抗体重组变异算子、克隆删除算子和抗体补充算子,利用抗体重组变异算子与抗体补充算子增加抗体群的多样性,利用克隆删除算子抑制抗体亲和力的退化。并将其应用于广义最小生成树问题和物流配送车辆路径优化问题当中,仿真结果表明,与遗传算法相比较而言,本文提出的免疫克隆算法能够更为快速可靠地搜索到这两类优化问题的全局最优解。 最后在本文提出的免疫克隆算法的基础之上,引入了抗体的聚类竞争机制以及抗体抑制机制,有效地提高了抗体群的多样性。针对二进制编码方式,引入了基于信息熵的抗体之间距离的计算方式。针对实数编码方式,引入了高斯变异算子和柯西变异算子组成的双重变异算子。并将这种基于聚类和竞争的免疫克隆算法应用于复杂测试函数的寻优,仿真结果表明,该算法具备较高的全局收敛可靠性以及较快的收敛速度,避免了遗传算法中的早熟收敛现象。