实际工程问题的复杂性、约束性、非线性和建模困难等特点,对优化和计算技术提出了更高的要求,寻找新型的智能优化方法逐渐成为一个新的研究热点。群体智能,作为一种新兴的智能计算技术正受到越来越多研究者的关注。群体智能的协作性、分布性、鲁棒性和快速性等特点使之在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础。微粒群算法是近年来被广为关注和研究的一种智能优化算法,源于对鸟群捕食系统的模拟。该算法相对于遗传算法(GA)而言容易实现,没有交叉和变异操作,需调整的参数不多,收敛速度快。现已广泛应用于函数优化、动态环境优化、神经网络训练等诸多领域。本文在对微粒群算法及其应用进行综述的基础上,将其与免疫算法相结合,利用免疫学习中良好的多样性及其它一些免疫算子,来提高算法的收敛速度和精度,有效克服了算法易陷于局部最优和对多峰值函数搜索效果不佳的缺点。本文主要的工作包括如下几个方面:(1)将微粒群算法与免疫算法相结合,把免疫记忆和克隆选择等免疫算子引入到微粒群算法中,从而形成了一种混合算法:免疫微粒群算法。(2)将多样性函数引入免疫微粒群算法中,利用多样性指标监控群体的多样性变化,以便能对微粒进行适时更新。(3)将微粒适应值更新为共享适应值,从而有效保证了群体的多样性。克隆抑制、免疫记忆及募集新成员等免疫算子的引入既加快了算法的搜索速度又使算法避免了陷于局部最优。对典型测试函数的仿真实验结果表明改进后的算法对单峰值和多峰值函数都有较好的收敛性,收敛速度和精度也明显好于标准微粒群算法。