许多实际工程问题可以抽象为相应的函数优化问题。目前已经有很多启发式算法用于解决函数优化问题。与传统算法相比较，启发式算法的优点在于其有较好的全局搜索能力，避免过早收敛于局部最优解。而传统的遗传算法就是一种比较经典的解决函数优化的算法。免疫系统是一个分布式、自组织和具有动态平衡能力的自适应复杂系统。人工免疫系统是与生物免疫系统相对应的工程概念，人们从免疫系统中提取、发现有用机制用来解决工程和科学问题。研究如何根据免疫优化理论以及模拟生物免疫优化行为来设计新的有效优化算法是非常很有意义的科研课题。克隆选择是人工免疫系统中非常重要的一个原理。由克隆选择原理启发而得出的免疫算法，能够很好地解决函数优化问题。 本文的工作主要有以下几个方面： (1)介绍了生物免疫原理，目前常用的免疫优化算法。总结了免疫算法与遗传算法的特点与区别。介绍了ECJ平台，在本文中使用ECJ平台来实现遗传算法并进行数值实验。 (2)根据人工免疫系统中的克隆选择原理的框架，实现了一种基于克隆选择的算法来解决无约束的数值函数优化问题。实现的免疫算法与现有克隆选择算法的主要区别有以下两方面，编码方式和变异方式。编码方式采用实数编码；变异方式采用一种高斯变异，个体在可行域上朝着适应值最好的点搜索，减少了完全随机变异的不确定性。 (3)为了测试该算法的性能，选择了几个目标函数进行优化，包括单峰函数和多峰函数。然后将实验结果与基于ECJ的遗传算法进行比较．数值实验的结果表明，该免疫算法能够寻找到函数的最优值，而且收敛速度很快，在收敛速度和优化结果上都要优于遗传算法。 (4)通过数值试验研究了免疫算法中比较关键的两个参数，种群大小和参数β对该免疫算法的性能影响。