人工免疫系统（Artificial immune system，AIS）是模仿自然免疫系统功能的一种智能方法。它受生物免疫系统自然防御机制的启发并具备噪声忍耐、无教师学习、自组织、记忆等特性，同时结合了分类器、神经网络及推理系统的一些优点，为解决实际问题提供了新颖方法。其研究成果涉及优化计算、控制、数据处理和故障诊断等许多领域，成为继神经网络、模糊逻辑和进化计算后人工智能的又一个研究热点。然而，免疫系统本身比较复杂，因此对人工免疫系统模型的研究相对较少。虽然现有的研究成果展示了人工免疫算法在解决某些现实问题上的巨大潜力和在求解一些优化问题上的优势，但是目前对人工免疫系统算法的研究还只是处于起步阶段，其广阔的应用前景还在等待更细致的开发。在优化计算方面，目前对人工免疫优化算法的研究多集中在免疫机理对已有优化算法的改进，虽然这些算法大多被冠以“免疫”的名字，但本质上只是利用了免疫系统的相关机理对遗传算法的改进，而且多数是静态的和非自适应的，也缺乏对生物免疫机理的深入分析以及与其他受自然启发算法的深入对比研究。本文在已有克隆选择算法的基础上，深入研究了生物免疫系统的识别，学习和防御机理，通过提取相关免疫隐喻机制，从不同角度分别构造了免疫反应机制与全局优化问题、约束优化问题和动态优化问题的匹配映射关系，并以此映射关系为基础，提出了相应的人工免疫算法，解决了约束优化和动态优化两个问题。论文取得的主要成果与创新工作概括如下：①基于生物免疫机制抽取免疫隐喻，构建了生物免疫反应与最优化问题、约束优化问题和动态优化问题的匹配映射。为这些问题的解决提供了崭新的生物学的视角。详细探讨了生物免疫系统的高稳定性和可靠性的信息处理和机体防御方法。摒弃了现有的很多算法只是借用“免疫”之名，停留在概念表层的做法，对生物免疫系统进行深入的分析和研究，并以此为基础构造算法。②提出了基于信息传递的人工免疫优化算法IAIS。以B细胞在固有免疫和自适应免疫中扮演的双重角色为立足点抽取隐喻，构造了免疫反应与约束优化问题的匹配映射。然后用B细胞的激活和非激活两种形态分别模拟了约束优化问题中因约束存在而造成的候选解的两种形式——可行解和不可行解，从信息传递的观点出发，提取并利用方向信息促进不可行解向可行域推进，进而精确定位可行解的方式解决约束优化问题。IAIS算法只采用了传统的人工免疫算子操作就提升了算法的性能，显示出人工免疫优化算法在解决约束优化问题上的巨大潜力。③改进了IAIS算法并用于解决约束优化问题。深入挖掘人工免疫机制解决约束优化问题的潜力，并在此基础上，对算法的一些操作进行了修改，进一步提升算法的性能。为了克服传统克隆选择算法早熟收敛和搜索精度有限的问题，在算法中加入基因重组（recombination）算子，修改了免疫变异（hypermutation）算子，引入了新个体招募（recruitment）等，并调整了方向信息的提取方式，运用现有测试函数测试，达到了非常有竞争力的结果。本文提出的算法弥补了现有人工免疫算法在解决约束优化问题上的不足，而且仅仅立足于生物免疫机制，促进了人工免疫算法自身的发展。本文通过大量的实验从统计的角度验证了算法的全局搜索能力、高的求解精度以及好的稳定性。④提出了基于类梯度、聚类和记忆机制的人工免疫算法GCMAIS解决动态环境下的优化问题。在已建立的生物免疫反应与动态优化问题的映射基础上，提取了一般的人工免疫优化算法框架并进行了深入的分析，找出了其在解决动态优化问题上的不足，并提出了三种应对机制从不同的方面提升了算法的性能。为了提高算法的搜索速度，从克隆个体携带的冗余信息中提取了类梯度信息，扩展了传统雅各比向量和正切向量等常用的梯度信息提取方法的使用范围，提升了算法的搜索性能；为了促进算法的搜索能力和保持种群的多样性，本文采用了聚类的方法引入了多种群处理机制，并加强了子群中的个体之间以及子群与子群之间的相互作用，删除了种群的冗余信息，并促进了精确搜索；为了应对动态优化的周期和非周期变化的动态特性，深入研究了生物免疫记忆机制，并根据记忆细胞生命周期的不同，提出了长期-短期记忆机制。短期记忆提取了紧邻的上一个环境的重要信息，对于不太剧烈的外部环境变化起到了跟踪作用，而长期记忆提取了以往环境的历史信息，对于环境的周期、类周期变化的初始种群的设定提供了有用的参考。实验验证了所提出策略的有效性。