作为新一代自然计算方法,人工免疫系统是一种受生物免疫机制启发而建立的用于解决各种复杂问题的计算系统,其研究成果涉及优化、故障诊断、控制和数据处理等多个领域,目前已成为继人工神经网络、模糊系统和进化计算后自然计算的又一研究热点。系统外部侵入的检测和系统内部学习机制的优化是人工免疫系统研究的关键问题。通过建立合适的计算模型及其相应的算法,人工免疫系统的性能可以提高。本文研究内容属于生命科学、信息科学和计算机科学的交叉前沿领域。基于免疫应答原理,本文针对处理最优化问题和故障诊断问题的人工免疫系统进行理论和应用探讨,其研究成果为人工免疫系统提供了新的思路和方法,对实际优化和机械故障诊断方面有较大的理论价值和应用意义。本文的主要工作和创新性成果如下:(1)在深入探索生物免疫系统的免疫应答过程和所蕴含的信息处理机制的基础上,提出了免疫应答的两层模型框架。根据生物免疫系统和人工免疫系统的隐喻映射关系,结合具体应用领域,提出了免疫应答的计算模型框架。计算模型框架包括人工免疫应答优化模型框架(Artificial Immune Response Optimization Model Framework, AIROMF)和人工免疫应答故障诊断模型框架(Artificial Immune Response Fault Diagnosis Model Framework, AIRFDMF)。(2)在人工免疫应答优化模型框架的基础上,提出了一种人工免疫应答优化算法(Artificial Immune Response Optimization Algorithm, AIROA)。定义了一组算子及其运算,按照亲和力大小将初始抗体群分配为记忆抗体群和一般抗体群,各自执行不同算子进行定义域变尺度的局部搜索和全局搜索,从而提高了进化后期的搜索精度,并加快了进化过程。对典型函数的数值优化实验表明该算法改善了克隆选择算法的性能,收敛速度更快,搜索精度更高。(3)提出了三种移动机器人的路径规划方法。针对基本人工势场法常常目标不可达问题,提出了一种基于人工势场法和遗传算法的移动机器人路径规划方法;针对遗传算法收敛速度慢、易陷入局部极值的问题,提出了一种基于人工免疫势场法的移动机器人路径规划方法;将AIROA和人工势场法结合并用于移动机器人路径规划,具有更快的收敛速度和更高的搜索精度,产生的最优路径能使移动机器人可以安全地绕过障碍物且使得路径距离尽量短,从而达到路径规划的目的。(4)在人工免疫应答故障诊断模型框架的基础上,提出了一种基于变尺度检测器的人工免疫聚类算法(Variable-sized Detectors Based Artificial Immune Clustering Algorithm, VDICA)。算法包含初始检测器的产生和检测器的聚类学习两部分,用蒙特卡罗方法对检测空间覆盖进行估计,避免了盲目确定检测器数目的行为;为检测器设定最大半径,使产生的检测器具有良好的分布特性;对算法参数进行了实验测取并分析了算法的可行性。(5)结合故障类型区域标记法,提出了一种基于VDICA的故障诊断方法,用于机床齿轮箱的故障诊断中;结合RBF神经网络,提出了一种基于VDICA和RBF神经网络的故障诊断方法,用于柴油机的故障诊断中。实验结果表明基于变尺度检测器的人工免疫聚类算法具有较强的检测空间覆盖能力和较高的聚类精度;基于VDICA设计的故障诊断方法能实现复杂故障模式下的故障诊断,比基于RBF神经网络的故障诊断方法具有高的准确率和更快的收敛速度。